[論文レビュー] A Survey on 3D LiDAR Localization for Autonomous Vehicles

Mahdi Elhousni, Xinming Huang|arXiv (Cornell University)|Jun 1, 2020

Robotics and Sensor-Based Localization参考文献 57被引用数 4

ひとこと要約

本調査は、自律走行車両向けの3次元LiDARベースの局所化手法をレビューし、3次元レジストレーション、特徴ベース、ディープラーニングのアプローチに分類する。ベンチマークデータセットではディープラーニング手法が優れた性能を示すが、速度と信頼性の観点から、LOAMのような従来手法がリアルタイムでの実装においてより実用的であることが判明した。

ABSTRACT

LiDAR sensors are becoming one of the most essential sensors in achieving full autonomy for self driving cars. LiDARs are able to produce rich, dense and precise spatial data, which can tremendously help in localizing and tracking a moving vehicle. In this paper, we review the latest finding in 3D LiDAR localization for autonomous driving cars, and analyse the results obtained by each method, in an effort to guide the research community towards the path that seems to be the most promising.

研究の動機と目的

• 自律走行車両向けの3次元LiDAR局所化分野における最近の進展をレビューおよび分析すること。
• KITTIオドメトリーベンチマーク上で3次元レジストレーション、特徴ベース、ディープラーニングベースの手法の性能を比較すること。
• これらの手法の実世界での展開可能性を、効率性と頑健性に焦点を当てて評価すること。
• 今後の研究を導くために、正確かつリアルタイムな局所化に最も有望な道筋を特定すること。

提案手法

• 3次元LiDAR局所化を3つの主要なアプローチに分類する：3次元レジストレーション、3次元特徴抽出、ディープラーニングベースの手法。
• 反復的最近接点法（ICP）およびその変種（点対平面、一般化ICP）、および法線共分散フィルタと幾何的対応除去法を用いた特徴抽出といった、主要な技術をレビューする。
• PointNet++を用いた特徴抽出と、オドメトリ推定値の改善に向けた残差補正を学習するL3-NetやDeepICPといったディープラーニングモデルを分析する。
• 幾何的一致性、オドメトリ回帰、交差エントロピーを組み合わせたマルチロス訓練戦略をディープラーニングモデルで採用する。
• 評価にKITTIオドメトリーデータセットを用い、事前に処理されたLiDARスキャンとGPS/INSの真値を備えたシーケンスに焦点を当てる。
• トレーニング分割とテスト分割の両方で結果を比較し、ループクロージャーを含まない手法に限定することで、コアな局所化性能に対する公平な比較を実現する。

実験結果

リサーチクエスチョン

• RQ1 3次元レジストレーションベースの手法は、LiDAR局所化において、精度と計算効率の観点でどのように性能を発揮するか？
• RQ2 3次元特徴ベースの手法は、実世界の自律走行車両のシナリオにおいて、どのような強みと限界を有するか？
• RQ3 ディープラーニングベースのアプローチは、古典的手法と比較して、どれほど局所化精度を向上させるか？
• RQ4 強力なベンチマーク結果を示しているにもかかわらず、最新のディープラーニングモデルがなぜリアルタイムでの展開にまだ遅れているのか？
• RQ5 なぜLOAMのような従来手法が、ディープラーニングの代替手法と比較して、実世界の自律走行車両の展開においてより適しているのか？

主な発見

• DeepICPはKITTIトレーニングデータセットで最高の平均性能を記録し、他の手法と比較して局所化精度が優れていた。
• 強力なトレーニング結果を示しているにもかかわらず、DeepICPは1フレームあたり約2秒を要し、自律走行車両のリアルタイム運用には非現実的である。
• LOAMおよびその変種は、現実世界の条件下での精度、速度、頑健性のバランスを考慮して、最も信頼性が高く展開可能なソリューションのままである。
• ディープラーニングベースの手法は非常に有望ではあるが、KITTIテストセットでの一般化能力がまだ確認されておらず、最先端性能を主張するには制限がある。
• LOAMのような特徴ベースの手法は、その効率性と安定性のおかげで、動的で屋外の環境でも強力な性能を維持している。
• ディープラーニングモデルのテストセット結果が不足しているため、強力なトレーニング結果にもかかわらず、実世界への適用可能性についての明確な結論は出せない。