[論文レビュー] Cartographer_glass: 2D Graph SLAM Framework using LiDAR for Glass Environments

Lasitha Weerakoon, Gurtajbir Singh Herr+3 more|arXiv (Cornell University)|Dec 16, 2022

Robotics and Sensor-Based Localization被引用数 6

ひとこと要約

本論文では、LiDAR環境を対象に、軽量なガラス検出およびマッピング手法を組み込んだ2次元グラフSLAMフレームワーク「Cartographer_glass」を提案する。ガラス表面におけるほぼ垂直入射時の強度スパイクを活用してガラス表面を検出し、それを占有グリッドに統合することで、特に大規模かつガラスが豊富な環境において、従来のslam_glass（GMappingベース）手法よりも高いマップ精度を達成し、ループクロージャーの改善とドリフトの低減を実現した。

ABSTRACT

We study algorithms for detecting and including glass objects in an optimization-based Simultaneous Localization and Mapping (SLAM) algorithm in this work. When LiDAR data is the primary exteroceptive sensory input, glass objects are not correctly registered. This occurs as the incident light primarily passes through the glass objects or reflects away from the source, resulting in inaccurate range measurements for glass surfaces. Consequently, the localization and mapping performance is impacted, thereby rendering navigation in such environments unreliable. Optimization-based SLAM solutions, which are also referred to as Graph SLAM, are widely regarded as state of the art. In this paper, we utilize a simple and computationally inexpensive glass detection scheme for detecting glass objects and present the methodology to incorporate the identified objects into the occupancy grid maintained by such an algorithm (Google Cartographer). We develop both local (submap level) and global algorithms for achieving the objective mentioned above and compare the maps produced by our method with those produced by an existing algorithm that utilizes particle filter based SLAM.

研究の動機と目的

• 透明な表面が距離測定を誤ったり飛ばしたりするガラスが豊富な屋内環境におけるLiDARマッピングの不正確さという課題に対処すること。
• 粒子フィルターベースの手法に依存せず、最適化ベースのSLAMフレームワーク（Google Cartographer）にガラス検出を統合すること。
• Cartographerのリアルタイムループクロージャーとサブマップ最適化を活用して、大規模環境におけるマップの正確性と耐障害性を向上させること。
• 実際のガラス環境において、提案されたフレームワークと既存のガラス対応SLAMソリューション（特にslam_glass）の性能を比較評価すること。
• 非理想的な入射角や最適でないグローバルマッピング伝搬による検出漏れなどの、現在のガラス検出およびマッピングの限界を特定すること。

提案手法

• ガラスがレーザー光をセンサに戻すほぼ垂直入射角での急激な強度スパイクを検出することで、ガラス表面を単純な強度ベースの手法で特定する。
• サブマップ構築および最適化プロセスを変更することで、検出されたガラス点をGoogle Cartographerの占有グリッドに統合し、ガラスの幾何形状を保持する。
• 計算効率とマッピング精度のバランスを取るために、局所的（サブマップレベル）およびグローバル的（全体マップ）なガラスマッピング戦略を実装する。
• Cartographerのリアルタイムループクロージャーとグラフ最適化を適用してグローバルマップを精緻化し、長大な通路や複雑なレイアウトにおけるドリフト低減とアライメント改善を実現する。
• 二段階の評価を実施：まず、同一データ上でCartographer_glass_liteとslam_glassのマップを比較する。次に、実際の建物の手動ラベル付き床図と照合して結果を検証する。
• 検出されたガラス長と正確性パcentageなどの定量的指標を用いて、提案手法とベースラインのslam_glassフレームワークを比較評価する。

実験結果

リサーチクエスチョン

• RQ1 Google Cartographerのような最適化ベースのSLAMフレームワークに、軽量な強度ベースのガラス検出手法を効果的に統合できるか？
• RQ2 同じ検出手法を用いるがGMappingベースのSLAMであるslam_glassと比較して、Cartographer_glassのガラスマッピングの正確性はどの程度向上しているか？
• RQ3 粒子フィルターベースのSLAMと比較して、Cartographerのリアルタイムループクロージャーは、ガラスが豊富な環境においてマップの一貫性をどの程度向上させ、ドリフトをどの程度低減するか？
• RQ4 非垂直入射や不完全なガラスのアライメントといった状況下で、提案されたガラス検出およびマッピングシステムの主な失敗モードは何か？
• RQ5 Cartographer_glassのグローバルマッピング戦略は、サブマップ間で検出されたガラス点の伝搬と持続性をどのように処理しているか？

主な発見

• Cartographer_glass_liteフレームワークは、長大な通路や複数回の走行を伴う大規模環境において、slam_glassアルゴリズムよりもより正確なマップを生成した。
• 建物1では、提案手法が118.2メートルのガラスを検出し、84.0％の正確性を達成した。一方、slam_glassは85.9メートルを検出し、正確性は44.5％にとどまった。これは、検出とマッピングの忠実性の優位性を示している。
• 建物2では、提案手法が49.1メートルのガラスを97.5％の正確性で検出したが、slam_glassは107.2メートルを検出したものの正確性は44.5％にとどまり、最適化ベースのSLAMの優位性が顕著に現れた。
• slam_glassマップでは、GMappingにリアルタイムループクロージャーが存在しないため、マップ左側に顕著なずれが生じており、これはCartographer_glassには見られない制限であった。
• 改善は見られたが、一部のガラスパネルは検出されなかった。これは、非垂直入射角、垂直でないガラスのアライメント、またはサブマップ最適化中に検出ポイントの消失が起因している可能性がある。
• 本研究は、同じ検出論理を用いても、最適化ベースのSLAM（Cartographer）が粒子フィルターベースのSLAM（GMapping）よりもガラス環境のマッピングにおいて顕著に正確性と耐障害性に優れていることを確認した。