[論文レビュー] BALM: Bundle Adjustment for Lidar Mapping

Zheng Liu, Fu Zhang|arXiv (Cornell University)|Oct 16, 2020

Robotics and Sensor-Based Localization参考文献 41被引用数 4

ひとこと要約

本稿では、LiDAR SLAMにおけるバndlエイジュストメントの新規手法BALMを提案する。この手法は、特徴点から一致したエッジまたは平面までの距離を最小化することで最適化を定式化し、特徴パラメータを解析的に解くことで最適化の次元を低減する。本手法は、閉形式の微分と適応的ボクセル化を活用することで、LOAMベースのシステムにおけるリアルタイムで高精度な地図最適化を可能にし、特に視野角が小さいLiDARが使用される困難な環境でも著しくドリフトを低減する。

ABSTRACT

A local Bundle Adjustment (BA) on a sliding window of keyframes has been widely used in visual SLAM and proved to be very effective in lowering the drift. But in lidar SLAM, BA method is hardly used because the sparse feature points (e.g., edge and plane) make the exact point matching impossible. In this paper, we formulate the lidar BA as minimizing the distance from a feature point to its matched edge or plane. Unlike the visual SLAM (and prior plane adjustment method in lidar SLAM) where the feature has to be co-determined along with the pose, we show that the feature can be analytically solved and removed from the BA, the resultant BA is only dependent on the scan poses. This greatly reduces the optimization scale and allows large-scale dense plane and edge features to be used. To speedup the optimization, we derive the analytical derivatives of the cost function, up to second order, in closed form. Moreover, we propose a novel adaptive voxelization method to search feature correspondence efficiently. The proposed formulations are incorporated into a LOAM back-end for map refinement. Results show that, although as a back-end, the local BA can be solved very efficiently, even in real-time at 10Hz when optimizing 20 scans of point-cloud. The local BA also considerably lowers the LOAM drift. Our implementation of the BA optimization and LOAM are open-sourced to benefit the community.

研究の動機と目的

• 点群が疎で繰り返しのない特性を持つLiDAR SLAMにおいて、有効なバndlエイジュストメントが不足している問題に対処すること。
• 特徴点から一致したエッジまたは平面までの距離を最小化するLiDAR BAの定式化を行い、特徴位置の共同最適化を回避すること。
• エッジおよび平面パラメータを解析的に解くことで最適化の複雑さを低減し、最適化における変数をスキャンポーズのみに限定すること。
• 閉形式の勾配およびヘッシアン行列を導出することで、大規模で高密度な特徴マップにおいてもリアルタイムでの最適化を可能にすること。
• 特に特徴が乏しい、または視野角が小さい環境下でも、LOAMベースのシステムにおけるマッピングの一貫性を向上させ、ドリフトを低減すること。

提案手法

• 特徴点から一致したエッジまたは平面までの垂直距離を最小化する形でLiDAR BAを定式化し、正確な点対応を要求しない。
• エッジおよび平面パラメータを閉形式で解析的に解き、最適化から分離することで、変数空間をスキャンポーズのみに限定する。
• スキャンポーズに関するコスト関数の一次および二次微分（勾配およびヘッシアン）を解析的に導出し、ガウス・ニュートン法による効率的な最適化を実現する。
• 局所的な点群密度に応じてボクセルサイズを動的に調整する適応的ボクセル化手法を導入し、特徴対応探索の高速化を図る。
• スライディングウィンドウで20スキャン分のデータを用いることで、LOAMフレームワークに提案されたBAをバックエンドとして統合し、地図を最適化する。
• 最近のスキャンのポーズのみを最適化するポーズグラフ最適化戦略を採用し、計算効率を維持する。

実験結果

リサーチクエスチョン

• RQ1 点群が疎で繰り返しのない特性を持つLiDAR SLAMにおいても、バndlエイジュストメントを効果的に適用できるか？
• RQ2 LiDAR BAにおける特徴パラメータ（エッジおよび平面）を解析的に解くことで、最適化の次元を低減できるか？
• RQ3 コスト関数の閉形式微分が、LiDAR BAにおける高速でリアルタイムの最適化を可能にするか？
• RQ4 提案された適応的ボクセル化は、精度を損なわずに特徴対応探索の効率を向上させるか？
• RQ5 BAをバックエンドとして統合することで、特に視野角が小さく、または特徴が乏しい環境下でも、LOAMベースのシステムにおけるドリフトを顕著に低減できるか？

主な発見

• 提案されたBALM手法は、20スキャン分のスライディングウィンドウを最適化する際、10Hzのリアルタイム性能を達成しており、オンライン導入の可能性を示している。
• エッジおよび平面パラメータを解析的に解くことで、最適化スケールが著しく低減され、高密度なエッジおよび平面特徴の使用が可能になる。
• LOAMベースのマッピングにおいて、ドリフトが顕著に低減されていることが、回転式LiDARと視野角が小さいLiDAR（例：Livox Horizon）の両方で実証された。
• 適応的ボクセル化手法により、対応探索の効率が向上し、全体のリアルタイム性能に寄与している。
• コスト関数の閉形式微分により、ガウス・ニュートン法における高速かつ安定した収束が実現され、耐障害性が向上している。
• BALMおよびLOAMのオープンソース実装は、コミュニティがLiDAR SLAMシステムを拡張・改善するための貴重なリソースを提供している。