[論文レビュー] LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking

Xingxing Zuo, Yulin Yang+5 more|arXiv (Cornell University)|Aug 17, 2020

Robotics and Sensor-Based Localization参考文献 12被引用数 5

ひとこと要約

LIC-Fusion 2.0 は、LiDAR-インertialカメラオドメトリ用にスライディングウィンドウ型の平面特徴追跡手法を提案し、低曲率の平面的点を複数スキャンに跨って追跡することで、新たな外れ値除外基準を用いて耐障害性と精度を向上させた。本システムは、平面特徴を用いたLiDAR-IMUキャリブレーションの整合性と観測可能性解析を改善し、実環境およびシミュレーテッド環境で最先端の性能を達成した。

ABSTRACT

Multi-sensor fusion of multi-modal measurements from commodity inertial, visual and LiDAR sensors to provide robust and accurate 6DOF pose estimation holds great potential in robotics and beyond. In this paper, building upon our prior work (i.e., LIC-Fusion), we develop a sliding-window filter based LiDAR-Inertial-Camera odometry with online spatiotemporal calibration (i.e., LIC-Fusion 2.0), which introduces a novel sliding-window plane-feature tracking for efficiently processing 3D LiDAR point clouds. In particular, after motion compensation for LiDAR points by leveraging IMU data, low-curvature planar points are extracted and tracked across the sliding window. A novel outlier rejection criterion is proposed in the plane-feature tracking for high-quality data association. Only the tracked planar points belonging to the same plane will be used for plane initialization, which makes the plane extraction efficient and robust. Moreover, we perform the observability analysis for the LiDAR-IMU subsystem and report the degenerate cases for spatiotemporal calibration using plane features. While the estimation consistency and identified degenerate motions are validated in Monte-Carlo simulations, different real-world experiments are also conducted to show that the proposed LIC-Fusion 2.0 outperforms its predecessor and other state-of-the-art methods.

研究の動機と目的

• 複雑で混雑した環境における LiDAR-インエイシャルカメラオドメトリの耐障害性と効率性を向上させること。
• 特にスパarsな点群や平面優勢なシーンにおいて、3次元 LiDAR ポイントクラウドのデータアソシエーションと特徴追跡の課題に対処すること。
• 非同期な LiDAR、IMU、カメラセンサ間のオンライン空間的・時間的キャリブレーションを、平面特徴を用いて可能にすること。
• LiDAR-IMUキャリブレーションにおける退化運動状態を特定する理論的基盤を提供する観測可能性解析を実施すること。
• 実環境およびシミュレーテッドデータセットにおいて、既存の最先端手法を上回る精度とリアルタイム性能を達成すること。

提案手法

• スライディングウィンドウフィルタに基づくフレームワークが、IMU予測、カメラ特徴、LiDAR平面特徴を統合し、密結合な6自由度ポーズ推定を実現する。
• 運動補償付きのLiDARポイントを処理し、低曲率の平面的点を抽出し、スライディングウィンドウ内の連続フレーム間でそれらを追跡する。
• LiDARフレーム変換における不確実性を組み込むことで、データアソシエーション品質を向上させる、新たな外れ値除外基準を導入した。
• 同一の追跡済み平面に属する平面的点のみを用いて平面の初期化を行うことで、効率性と耐障害性を向上させた。
• 平面特徴を用いて、センサ間のオンライン空間的・時間的キャリブレーションを実施し、退化運動状態を検出する観測可能性解析を併用した。
• モンテカルロシミュレーションおよび Vicon および屋外シーケンスを用いた広範な実環境実験により、本手法の有効性を検証した。

実験結果

リサーチクエスチョン

• RQ1 スライディングウィンドウフレームワークにおいて、3次元 LiDAR 平面特徴を複数スキャンに跨って効率的かつ耐障害的に追跡する方法は何か？
• RQ2 不確実性を伴う状況下で、LiDAR 平面特徴追跡におけるデータアソシエーション品質を向上させる外れ値除外戦略は何か？
• RQ3 平面特徴を用いた LiDAR-IMU キャリブレーションにおいて、観測可能性が低下する退化運動状態とは何か？
• RQ4 提案手法の平面特徴追跡は、既存の LiDAR-インエイシャルおよびビジュアル-インエイシャル統合手法と比較して、精度と耐障害性をどのように向上させるか？
• RQ5 オンライン空間的・時間的キャリブレーションは、非同期マルチセンサシステムにおける性能をどの程度向上させるか？

主な発見

• Viconルームシーケンスにおいて、LIC-Fusion 2.0 は平均 ATE 2.410 メートルおよび 0.113 度を達成し、OpenVINS-IC、LOAM、LIO-MAP、および元の LIC-Fusion を上回った。
• KITTI シーケンスでは、Seq 1 で中央値 ATE 0.213 メートルを達成し、LOAM（0.831 m）を大きく下回り、LIO-MAP（0.019 s の処理時間）と比較しても優れた精度とリアルタイム実行可能性を示した。
• 提案された外れ値除外基準は、変換の不確実性を活用することで、データアソシエーション品質を向上させ、平面追跡における誤検出を低減した。
• 観測可能性解析により、平面に沿った純粋な平行移動や、平面法線軸まわりの回転といった特定の退化運動状態が、平面特徴を用いた LiDAR-IMU キャリブレーションにおいて観測不能であることが同定された。
• 混雑した環境でも安定した性能を示し、7つのシーケンスのうちわずか1つで20メートルを超える一時的誤差が発生した。これに対して LIO-MAP や LOAM では3〜4件の故障が確認された。
• 計算コストはリアルタイム用途に適しており、デスクトップCPU上での平均処理時間は IMU-CAM サブシステムで 0.0168 秒、LiDAR-IMU サブシステムで 0.0402 秒であった。