[論文レビュー] DeepLO: Geometry-Aware Deep LiDAR Odometry

Younggun Cho, Giseop Kim+1 more|arXiv (Cornell University)|Feb 27, 2019

Robotics and Sensor-Based Localization参考文献 21被引用数 27

ひとこと要約

本論文では、ICPを深層学習フレームワークに統合することで、教師ありおよび教師なしの両モードで学習可能な幾何的注意型の深層LiDARオドメトリ手法、DeepLOを提案する。入力としてレンダリングされた頂点マップおよび法線マップを用い、幾何的一致性に基づく新しい教師なし損失関数を採用することで、トレーニング時に真値ポーズを必要とせず、KITTIおよびOxford RobotCarデータセットで最先端の性能を達成した。

ABSTRACT

Recently, learning-based ego-motion estimation approaches have drawn strong interest from studies mostly focusing on visual perception. These groundbreaking works focus on unsupervised learning for odometry estimation but mostly for visual sensors. Compared to images, a learning-based approach using Light Detection and Ranging (LiDAR) has been reported in a few studies where, most often, a supervised learning framework is proposed. In this paper, we propose a novel approach to geometry-aware deep LiDAR odometry trainable via both supervised and unsupervised frameworks. We incorporate the Iterated Closest Point (ICP) algorithm into a deep-learning framework and show the reliability of the proposed pipeline. We provide two loss functions that allow switching between supervised and unsupervised learning depending on the ground-truth validity in the training phase. An evaluation using the KITTI and Oxford RobotCar dataset demonstrates the prominent performance and efficiency of the proposed method when achieving pose accuracy.

研究の動機と目的

• 教師ありおよび教師なしのトレーニング環境で効果的に動作する深層学習ベースのLiDARオドメトリシステムの開発。
• 真値ポーズの高コストなラベル付けに依存を減らすために、幾何的一致性損失に基づく教師なし学習を可能にする。
• 異なるセンサ構成および環境条件を有する多様なLiDARデータセットにわたる一般化および耐障害性の向上。
• 生の点群の代わりにサーフェルに類似した表現（頂点マップおよび法線マップ）を用いることで、高い精度と効率を維持する。
• Oxford RobotCarのような軌道の多様性が低いデータセット間で転移学習を可能にし、モデルの安定性と性能を向上させる。

提案手法

• 計算効率を高めるために、生の3次元点群の直接処理の代わりに、レンダリングされた頂点マップおよび法線マップを深層ニューラルネットワークの入力として使用する。
• 頂点マップおよび法線マップに対して、微分可能なICPに類似した損失関数を適用し、連続するフレーム間の幾何的一致性を強制する。
• 2つの損失関数を定義する：1つは真値ポーズを用いた教師あり学習用、もう1つはフォトメトリックおよび幾何的一致性に基づく教師なし学習用。
• トレーニング中に真値ポーズの有無に応じて自動的に切り替わる、教師ありまたは教師なし損失を用いてネットワークをエンドツーエンドで学習する。
• KITTデータセットで事前学習した重みを初期値として用いることで、転移学習を実施し、Oxford RobotCarデータセットの性能を向上させる。
• 標準的な軌道評価指標（絶対軌道誤差（ATE）および相対的移動/方位誤差）を用いてシステムを評価する。

実験結果

リサーチクエスチョン

• RQ1 トレーニング時に真値ポーズを必要としない深層学習ベースのLiDARオドメトリシステムは、高い精度を達成できるか？
• RQ2 頂点マップおよび法線マップを入力表現として用いることは、LiDARオドメトリにおける幾何的情報の保持にどの程度有効か？
• RQ3 統一されたトレーニングパイプラインは、LiDARオドメトリにおける教師ありおよび教師なし学習の両方をサポートできるか？
• RQ4 幾何的一致性に基づく本手法の教師なし損失は、教師ありベースラインと比較して、ポーズ推定精度においてどの程度優れているか？
• RQ5 軌道の多様性が限られるデータセットにおいて、転移学習はどの程度性能向上に寄与するか？

主な発見

• Oxford RobotCarデータセットのShortシーケンスにおいて、DeepLO-U（教師なし）は絶対軌道誤差（ATE）が6.78 mを記録し、同じシーケンスで4.22 mを記録したステレオビジュアルオドメトリベースラインを上回った。
• 2014-05-14-13-50-20のAlternateシーケンスにおいて、DeepLO-UはATEが19.93 mであり、ステレオビジュアルオドメトリベースラインの37.74 mよりも顕著に低い値を示した。
• 同じデータセットにおいて、DeepLO-S（教師あり）はAlternateシーケンスでATEが14.71 mを記録し、真値監督のもとでも優れた性能を示した。
• 教師なしバージョンのDeepLOは、複数のシーケンスでステレオビジュアルオドメトリを上回る性能を発揮し、実環境条件における耐障害性を示した。
• 転移学習は、Oxford RobotCarデータセットのトレーニング安定性および性能を顕著に向上させ、特に軌道の多様性が低いシーケンスにおいて顕著であった。
• 本手法は、Oxford RobotCarデータセットで10 kmの軌道を教師なしで正確に推定でき、スケーラビリティおよび長期的な一貫性を示した。