[論文レビュー] AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot

Tong Qin, Tongqing Chen+2 more|arXiv (Cornell University)|Jul 3, 2020

Robotics and Sensor-Based Localization参考文献 24被引用数 11

ひとこと要約

本稿では、GPS非利用、テクスチャが乏しい駐車場環境においても安定した長期間マップを構築できる、自律型バーティカルパーキング向けの意味的視覚SLAMシステムAVP-SLAMを提案する。本システムは、4台の周辺カメラとIMUから取得した、駐車線、案内標識、スロープなどの頑健な意味的特徴を用い、センチメートル級の局所化精度を実現する。従来のORB-SLAM2と比較して、時間経過に伴うリcall率とマップ効率の両面で優れた性能を示した。

ABSTRACT

Autonomous valet parking is a specific application for autonomous vehicles. In this task, vehicles need to navigate in narrow, crowded and GPS-denied parking lots. Accurate localization ability is of great importance. Traditional visual-based methods suffer from tracking lost due to texture-less regions, repeated structures, and appearance changes. In this paper, we exploit robust semantic features to build the map and localize vehicles in parking lots. Semantic features contain guide signs, parking lines, speed bumps, etc, which typically appear in parking lots. Compared with traditional features, these semantic features are long-term stable and robust to the perspective and illumination change. We adopt four surround-view cameras to increase the perception range. Assisting by an IMU (Inertial Measurement Unit) and wheel encoders, the proposed system generates a global visual semantic map. This map is further used to localize vehicles at the centimeter level. We analyze the accuracy and recall of our system and compare it against other methods in real experiments. Furthermore, we demonstrate the practicability of the proposed system by the autonomous parking application.

研究の動機と目的

• 従来の視覚SLAMが失敗する、GPS非利用、テクスチャが乏しく、動的な駐車場環境における正確な局所化の課題に対処すること。
• 従来の幾何的特徴ではなく、長期的に安定した意味的特徴を用いた、頑健なマッピングと局所化システムの開発。
• 低コストセンサ（カメラ、IMU、ホイールエンコーダ）を用いた実用的な自律型バーティカルパーキングの実現。
• 外観ベースの特徴を意味的特徴に置き換えることで、マップ効率の向上と長期間にわたる一貫性の向上。

提案手法

• 4台の周辺カメラが画像を撮影し、逆パースペクティブマッピング（IPM）を用いて鳥眼視点に変換する。
• 深層ニューラルネットワークが、鳥眼視点画像内での駐車線、案内標識、スロープなどの意味的特徴を検出する。
• 意味的特徴を抽出し、3次元位置と記述子を備えたグローバルな視覚的意味マップを構築する。
• IMUおよびホイールエンコーダのデータを統合して、マッピングおよび局所化中のドリフトを低減する。
• 事前に構築したマップとの意味的特徴マッチングにより局所化を実行し、センチメートル級の精度で6自由度（6-DoF）のポーズ推定を達成する。
• マップをオクソトリー構造で圧縮し、369,356個の特徴に対してもたった4.4 MBのサイズにまで削減した。

実験結果

リサーチクエスチョン

• RQ1 駐車場のような動的な環境において、駐車線や案内標識といった意味的特徴は、従来の幾何的特徴と比較してより安定的で長期的に信頼できる特徴を提供できるか？
• RQ2 環境の変化が生じる時間経過に伴って、提案された意味的SLAMシステムの局所化リcall率と精度はどの程度の性能を示すか？
• RQ3 従来の特徴ベースのSLAMシステムと比較して、意味的特徴の使用がマップ効率の向上とマップサイズの縮小にどの程度寄与するか？
• RQ4 GPS非利用条件下の実世界の自律型バーティカルパーキングシナリオにおいて、本システムはセンチメートル級の局所化精度を達成できるか？

主な発見

• AVP-SLAMは平均で2.36 cm、最大で5.23 cmの局所化誤差を達成し、正確な自律パーキングに十分な精度を示した。
• 1週間後には78.65%、1か月後には79.23%という安定したリcall率を維持した一方、ORB-SLAM2はそれぞれ11.42%、10.22%まで低下した。
• 意味的マップサイズはオクソトリー圧縮後で4.4 MBにまで縮小されたが、ORB-SLAM2の33.7 MBと比較して、特徴数が多くても顕著に小さい。
• AVP-SLAMは1.33%のマッピング誤差を示し、時間経過に伴う高いマップ精度と一貫性を確認した。
• 本システムは実世界の自律型バーティカルパーキングを成功裏に実現し、動的かつGPS非利用環境における実用性と頑健性を実証した。
• 意味的特徴は、外観ベースの特徴とは異なり、照明、視点、外観の変化に対して極めて耐性があり、高い耐性を示した。