[VOD/Full KIT/data]
3D LiDAR×Jetson Superキットで学ぶ
高精度リアルタイムSLAM&センサ・フュージョン
- 計算ユニット:
Jetson Orin Nano Super開発者キット(6コアCPU[最大1.7GHz],1024CUDA,67TOPS,8GB LPDDR5,7W-25W) - 3D LiDARモジュール:
3D LiDAR Livox MID360[水平視野角360°,垂直視野角-7°~52°,測距範囲10cm~70m(反射率10%で40m,80%で70m), 点群密度20万点/秒, IMU内蔵, 265g]&3線式航空コネクタ - 電源・ケーブル類:
・Livox用電源ケーブル (USB-C -> DC12V)
※ケーブル加工済 ・USB-C PD対応電源
・電源3ピン→2ピン変換プラグ - 実習環境ストレージ:
実習環境設定済みNVME SSD 512GB - 実習・開発用ソースコード
環境構築用のスクリプト(setupフォルダ内のreadmeを参照)
実習用のrosbag形式データ(展開後 seminar_data フォルダがあればOK)
※本製品では,上記のスクリプトとデータをセットアップ済のため,作業は不要です.
- 実習の準備
- イントロダクション本日の流れ教材キットについてGLIMチュートリアル点群SLAMとは
- 点群レジストレーション姿勢表現についてIterative Closest Point (ICP)点群数値間の重なり具合を定義する誤差関数(ICP誤差関数)/実装チュートリアル姿勢の数値最適化を可能にするマニフォールド空間とExponential map/実装チュートリアル誤差関数を最小化するための最適化アルゴリズム(ガウスニュートン法)/実装チュートリアル落穂ひろい:ダウンサンプリング/最近傍探索/ICP誤差関数
- オドメトリ推定現代的なSLAMシステムの基本構成スキャン・マッチングによるオドメトリ推定/実装チュートリアルキーフレームベース・オドメトリ/実装チュートリアル実装したオドメトリの課題Frame-to-ModelマッチングIMUフュージョンセンサ・フュージョン方式点群歪み補正
- 大域軌跡最適化とファクタ・グラフ大域軌跡最適化ファクタ・グラフ最適化相対姿勢制約を使ったポーズ・グラフ最適化ノイズ・モデルとロバスト・カーネルGTSAMを使った実装カスタム・ファクタ/実装チュートリアル
- GLIM:Versatile and Extensible Point Cloud-based SLAM Framework点群レジストレーション・ファクタを多用した高精度・高信頼な状態推定スライディング・ウィンドウ最適化によるオドメトリ推定大域マルチスキャン・レジストレーションによる大域最適化汎用性・柔軟性を引き出すためのフレームワーク設計センサ・モデルに依存しない汎用点群処理状態推定手法を切り替え可能なモジュラー設計ファクタ・グラフの柔軟性を引き出す拡張モジュール
- 発展的トピックLiDAR SLAMの最新動向ファクタ・グラフの発展的解法大域軌跡最適化大域点群レジストレーションの最新動向再探訪検知特徴的マッチング直接点群マッチングノンパラメトリック状態の最新動向その他の研究動向
- 0:00:10 (0) 実習の準備
- 0:04:34 (1) イントロダクション:講義の流れ / 教材キット / GLIMチュートリアル / 点群SLAMとは
- 1:05:45 (2) 点群レジストレーション
- 3:09:43 (3) オドメトリ推定
- 4:11:04 (4) 大域軌跡最適化とファクタグラフ
- 5:31:19 (5) 3D LiDAR-IMU SLAM フレームワーク (GLIM) の利用
- 6:16:05 (6) 発展的トピック