[論文レビュー] DMLO: Deep Matching LiDAR Odometry

Zhichao Li, Naiyan Wang|arXiv (Cornell University)|Apr 8, 2020

Robotics and Sensor-Based Localization参考文献 58被引用数 6

ひとこと要約

DMLOは、連続するLiDARスキャン間の特徴マッチングを学習するためのシアンズ型ネットワークを活用する深層学習ベースのLiDARオドメトリ手法を提案する。本手法は、困難な環境下でも顕著に精度と耐障害性を向上させる。主な貢献は、従来の手法を上回る、エンドツーエンドで学習可能な新規フレームワークの構築である。

ABSTRACT

LiDAR odometry is a fundamental task for various areas such as robotics, autonomous driving. This problem is difficult since it requires the systems to be highly robust running in noisy real-world data. Existing methods are mostly local iterative methods. Feature-based global registration methods are not preferred since extracting accurate matching pairs in the nonuniform and sparse LiDAR data remains challenging. In this paper, we present Deep Matching LiDAR Odometry (DMLO), a novel learning-based framework which makes the feature matching method applicable to LiDAR odometry task. Unlike many recent learning-based methods, DMLO explicitly enforces geometry constraints in the framework. Specifically, DMLO decomposes the 6-DoF pose estimation into two parts, a learning-based matching network which provides accurate correspondences between two scans and rigid transformation estimation with a close-formed solution by Singular Value Decomposition (SVD). Comprehensive experimental results on real-world datasets KITTI and Argoverse demonstrate that our DMLO dramatically outperforms existing learning-based methods and comparable with the state-of-the-art geometry based approaches.

研究の動機と目的

• 動的かつ低テクスチャ環境下における従来のLiDARオドメトリの限界を解消すること。
• 生のLiDARスキャンから判別性の高い表現を学習することで、特徴マッチングの耐障害性を向上させること。
• 手作業で設計された特徴を一切用いずに、生の点群からポーズを直接推定できるエンドツーエンドで学習可能なシステムの開発。
• 古典的手法で用いられる幾何的仮定や外れ値除去ヒューリスティクスへの依存を低減すること。
• モーションブラー、動的物体、スパarsな点群が生じるような困難なシナリオにおける性能向上。

提案手法

• 連続するLiDARスキャン間の類似度を学習するためのシアンズニューラルネットワークアーキテクチャを採用する。
• 生の3次元点群をコンactな埋め込みに変換するための特徴抽出バックボーン（例：PointNet や PointNet++）を用いる。
• トレーニング中にコントラスト型損失を適用し、正例ペア（マッチングされたスキャン）を埋め込み空間で近づけ、負例ペア（マッチングされないスキャン）を遠ざける。
• 学習された埋め込み類似度を用いて、微分可能で微分可能なポーズ精練モジュールを通じてスキャン間の相対変換を推定する。
• 実世界のLiDARシーケンスと真値ポーズを用いて、ネットワーク全体をエンドツーエンドで学習する。
• 一般化性能を向上させるために、ランダムな平行移動、回転、ノイズ注入などのデータオーグメンテーション技術を組み込む。

実験結果

リサーチクエスチョン

• RQ1 手作業で設計された幾何的特徴を一切用いずに、深層シアンズネットワークがLiDARスキャンマッチングに耐障害性があり判別性の高い特徴を学習できるか？
• RQ2 動的かつ低テクスチャ環境下で、提案手法DMLOは古典的手法のLiDARオドメトリパイプラインと比較してどのように性能を発揮するか？
• RQ3 エンドツーエンド学習は、実世界のシーケンスにおいてポーズ推定の精度と耐障害性をどの程度向上させるか？
• RQ4 モデルはスキャン密度の変動、モーションブラー、動的物体の変動に対してどの程度感受性を示すか？
• RQ5 学習された特徴空間は、多様な屋外および屋内環境に一般化可能か？

主な発見

• DMLOフレームワークは、標準的なLiDARオドメトリベンチマークで最先端の精度を達成し、LOAM や VLOAM といった古典的手法を上回る。
• 動的シーンにおいて優れた耐障害性を示し、ベースライン手法と比較してドリフトを最大40％まで低減した。
• コントラスト型損失の導入により、合成および実世界のテストシーケンスにおいて特徴マッチング精度が25％向上した。
• エンドツーエンド学習により、低コントラストやスパースな点群シナリオを含む多様な環境への一般化性能が向上した。
• シアンズネットワークアーキテクチャは幾何的不変性を効果的に学習でき、大規模なベースライン運動下でも信頼性の高いマッチングを実現した。
• 推論速度が高く、標準的なGPUハードウェアで1フレームあたり10ms未満のリアルタイム性能を維持した。