CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F18%3APU132246" target="_blank" >RIV/00216305:26230/18:PU132246 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8374163&isnumber=8374143" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8374163&isnumber=8374143</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICARSC.2018.8374163" target="_blank" >10.1109/ICARSC.2018.8374163</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
Popis výsledku v původním jazyce
We introduce a novel method for odometry estimation using convolutional neural networks from 3D LiDAR scans. The original sparse data are encoded into 2D matrices for the training of proposed networks and for the prediction. Our networks show significantly better precision in the estimation of translational motion parameters comparing with state of the art method LOAM, while achieving real-time performance. Together with IMU support, high quality odometry estimation and LiDAR data registration is realized. Moreover, we propose alternative CNNs trained for the prediction of rotational motion parameters while achieving results also comparable with state of the art. The proposed method can replace wheel encoders in odometry estimation or supplement missing GPS data, when the GNSS signal absents (e.g. during the indoor mapping). Our solution brings real-time performance and precision which are useful to provide online preview of the mapping results and verification of the map completeness in real time.
Název v anglickém jazyce
CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
Popis výsledku anglicky
We introduce a novel method for odometry estimation using convolutional neural networks from 3D LiDAR scans. The original sparse data are encoded into 2D matrices for the training of proposed networks and for the prediction. Our networks show significantly better precision in the estimation of translational motion parameters comparing with state of the art method LOAM, while achieving real-time performance. Together with IMU support, high quality odometry estimation and LiDAR data registration is realized. Moreover, we propose alternative CNNs trained for the prediction of rotational motion parameters while achieving results also comparable with state of the art. The proposed method can replace wheel encoders in odometry estimation or supplement missing GPS data, when the GNSS signal absents (e.g. during the indoor mapping). Our solution brings real-time performance and precision which are useful to provide online preview of the mapping results and verification of the map completeness in real time.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20204 - Robotics and automatic control
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IEEE International Conference on Autonomous Robot Systems and Competitions
ISBN
978-1-5386-5221-3
ISSN
2573-9387
e-ISSN
—
Počet stran výsledku
7
Strana od-do
71-77
Název nakladatele
Institute of Electrical and Electronics Engineers
Místo vydání
Torres Vedras
Místo konání akce
Torres Vedras
Datum konání akce
25. 4. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000435384800014