A Segmentation and Data Association Scheme for 2D Mapping with Geometric Primitives

Nous introduisons un nouvel algorithme de cartographie LiDAR 2D tirant parti des régularités géométriques dans les environnements structurés. En utilisant des superellipses pour une représentation compacte et polyvalente des caractéristiques structurelles, nous développons un cadre d’extraction de caractéristiques géométriques multi-modèles conscient du modèle. Ce cadre adapte l’architecture EKF duale pour la segmentation et utilise des conditions basées sur la distance de Mahalanobis pour le changement de modèle. Le cadre est construit en explorant et en améliorant les méthodes de segmentation d’un seul scan, l’estimation des paramètres des caractéristiques et l’estimation des caractéristiques multi-scans. Les simulations et les expériences en conditions réelles démontrent des améliorations de la performance de cartographie par rapport à un algorithme LiDAR 2D de pointe, notamment dans des conditions difficiles telles que des vitesses de robot plus élevées, des scans moins fréquents et une exploration limitée.