Hi-LOAM：LiDARオドメトリとマッピングのための階層型暗黙ニューラル場

Abstract

LiDAR オドメトリおよびマッピング（LOAM）は、自動運転やロボットナビゲーションのような身体性を備えた AI（embodied-AI）アプリケーションにとって重要な技術である。既存の LOAM フレームワークの多くは、いずれかが教師信号に依存しているか、あるいは再構成の忠実度が欠けており、その結果、大規模で複雑なシーンの詳細を描写する上で不十分である。これらの制約を克服するために、本研究では LiDAR センサを用いたマルチスケールの暗黙（implicit）ニューラルローカライゼーションおよびマッピングフレームワークである Hi-LOAM を提案する。Hi-LOAM は入力データモダリティとして LiDAR の点群を受け取り、オクツリー構造に基づく複数レベルのハッシュテーブル上に階層的な潜在特徴（latent features）を学習して保存する。次に、これらのマルチスケール潜在特徴を、マッピング手順において浅いマルチレイヤパーセプトロン（MLP）を通して符号付き距離（signed distance）の値へとデコードする。姿勢推定手順では、対応（correspondence）を必要としない、スキャンから暗黙表現へのマッチング（scan-to-implicit matching）というパラダイムに依拠し、最適な姿勢を推定し、現在のスキャンをサブマップへ登録する。学習全体のプロセスは自己教師あり（self-supervised）方式で実施されるため、モデルの事前学習を不要にし、さまざまな環境に適用した際にその汎用性が示される。複数の実世界および合成データセットに対する大規模な実験により、有効性および汎化能力の観点で、提案する Hi-LOAM が既存の最先端手法に比べて優れた性能を示すことが確認された。