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

We introduce a novel 2D LiDAR mapping algorithm leveraging geometric regularities in structured environments. Using superellipses for compact and versatile representation of structural features, we develop a model-aware multi-model geometric feature extraction framework. This framework adapts the dual EKF architecture for segmentation and employs Mahalanobis distance-based conditions for model switching. The framework is built by exploring and improving methods for single-scan segmentation, feature parameter estimation, and multi-scan feature estimation. Simulations and real-world experiments demonstrate improvements in mapping performance over a state-of-the-art 2D LiDAR algorithm, particularly under challenging conditions such as higher robot speeds, less frequent scans, and limited exploration.

Résumé

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.