[論文レビュー] A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs

Jiarong Lin, Xiyuan Liu+1 more|arXiv (Cornell University)|Jul 3, 2020

Robotics and Sensor-Based Localization参考文献 24被引用数 9

ひとこと要約

本論文は、無人地面車両に搭載された複数のLiDARを用いた、分散型拡張カルマンフィルタ（EKF）に基づく同時計測・局所化・マッピング（SLAM）フレームワークを提案する。個々のLiDARプロセッサに計算を分散させるとともに、オンラインでの外部パラメータ補正を可能にすることで、都市部環境において相対誤差0.2%という高精度な局所化を達成し、マルチセンサ自律システムにおける頑健性とスケーラビリティを示している。

ABSTRACT

LiDAR is playing a more and more essential role in autonomous driving vehicles for objection detection, self localization and mapping. A single LiDAR frequently suffers from hardware failure (e.g., temporary loss of connection) due to the harsh vehicle environment (e.g., temperature, vibration, etc.), or performance degradation due to the lack of sufficient geometry features, especially for solid-state LiDARs with small field of view (FoV). To improve the system robustness and performance in self-localization and mapping, we develop a decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs. Our proposed framework is based on an extended Kalman filter (EKF), but is specially formulated for decentralized implementation. Such an implementation could potentially distribute the intensive computation among smaller computing devices or resources dedicated for each LiDAR and remove the single point of failure problem. Then this decentralized formulation is implemented on an unmanned ground vehicle (UGV) carrying 5 low-cost LiDARs and moving at $1.3m/s$ in urban environments. Experiment results show that the proposed method can successfully and simultaneously estimate the vehicle state (i.e., pose and velocity) and all LiDAR extrinsic parameters. The localization accuracy is up to 0.2% on the two datasets we collected. To share our findings and to make contributions to the community, meanwhile enable the readers to verify our work, we will release all our source codes and hardware design blueprint on our Github.

研究の動機と目的

• 特徴が乏しいまたは過酷な環境における単一LiDARの限界を、複数の分散型LiDARを活用することで克服すること。
• 集中型マルチLiDAR処理アーキテクチャに内在する単一障害点と高帯域幅の問題を解消すること。
• 統一されたEKF定式化を用いて、車両状態とLiDAR外部パラメータの両方をオンラインで分散推定すること。
• 幾何的特徴が限られる都市部環境において、局所化精度とマッピングの一貫性を向上させること。
• ハードウェアとソフトウェアの可用性を伴う、再現可能でオープンソースのマルチLiDAR SLAMソリューションを提供すること。

提案手法

• 各LiDARが自らのEKFコピーを保持する分散型EKF定式化を採用し、局所的な点群データを処理するとともに、状態推定値のみを交換する。
• 状態ベクトルには、幾何的中心のポーズと速度に加え、中心に対するすべてのLiDARの外部パラメータ（回転と並進）が含まれる。
• 各EKFは、他のLiDARから受信した状態更新を用いて予測を行い、新たな局所的LiDARスキャンを用いて更新することで、分散型状態推定を実現する。
• フレームワークは一定速度運動モデルを用い、マップの一貫性を確保するために特徴ベースのICPに類似した整合手法で点群データを統合する。
• 外部パラメータ補正は、共有される環境的特徴と状態相関を介して、LiDAR間の相対変換を推定することでオンラインで実行される。
• 本システムは、車両バスを介して通信する5台の低コストLiDARを搭載したUGVに実装されており、リアルタイムかつ故障に強い運用を想定している。

実験結果

リサーチクエスチョン

• RQ1 分散型EKFフレームワークは、マルチLiDARシステムにおいて、車両状態とLiDAR外部パラメータを同時に推定できるか？
• RQ2 集中型アーキテクチャと比較して、分散処理はどのように頑健性を向上させ、計算負荷を低減するか？
• RQ3 視野角が小さい複数のLiDARを用いることで、特徴が乏しい都市部環境における局所化精度はどの程度向上するか？
• RQ4 複数のLiDAR間でオンライン外部パラメータ補正を実行した場合、達成可能な局所化精度はどの程度か？
• RQ5 センサノイズ、ネットワーク遅延、部分的LiDAR故障などの実環境条件下で、本システムはどの程度の性能を示すか？

主な発見

• 提案された分散型フレームワークは、5台のLiDARを搭載したUGV上で、リアルタイムに車両状態とすべてのLiDAR外部パラメータを推定し、正常に収束した。
• 本システムは、2つの実都市データセットにおいて相対局所化精度0.2%を達成し、単一LiDAR設定を著しく上回った。
• シーン1では最大相対誤差0.21%（551.45m走行で1.17mの絶対誤差）、シーン2では0.20%（436.47m走行で0.88mの絶対誤差）であった。
• 単一の前方LiDAR設定は、幾何的特徴が不足する長時間の走行後に故障したが、マルチLiDAR設定は一貫した性能を維持した。
• 外部パラメータは時間経過とともに安定して収束し、初期値がゼロからでも回転と並進の推定が初期整合後、安定した。
• 部分的LiDAR故障に対しても本フレームワークは頑健性を示し、例えばFr-Bl-BrやFr-L-Rなどの減少したLiDAR構成でも一貫した性能を示した。