[論文レビュー] LiDAR and Inertial Fusion for Pose Estimation by Non-linear Optimization

Haoyang Ye, Ming Liu|arXiv (Cornell University)|Oct 19, 2017

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

ひとこと要約

本論文は、スパarsな点群や部分的遮断などの困難な条件下でも自己運動推定を向上させるために、3次元回転型LiDARとIMUデータを融合する非線形最適化フレームワークを提案する。事前に統合されたIMU測定値とLiDARおよびIMUの状態を同時に最適化することで、特に狭い通路や半分遮断されたスキャンのような劣化環境において、LiDARのみの手法よりもより正確で頑健なポーズ推定を達成する。

ABSTRACT

Pose estimation purely based on 3D point-cloud could suffer from degradation, e.g. scan blocks or scans in repetitive environments. To deal with this problem, we propose an approach for fusing 3D spinning LiDAR and IMU to estimate the ego-motion of the sensor body. The main idea of our work is to optimize the poses and states of two kinds of sensors with non-linear optimization methods. On the one hand, a bunch of IMU measurements are considered as a relative constraint using pre-integration and the state errors can be minimized with the help of laser pose estimation and non-linear optimization algorithms; on the other hand, the optimized IMU pose outputs can provide a better initial for the subsequent point-cloud matching. The method is evaluated under both simulation and real tests with comparison to the state-of-the-art. The results show that the proposed method can provide better pose estimation performance even in the degradation cases.

研究の動機と目的

• スパars点群や部分的遮断がある環境（例：狭い通路や繰り返し構造を持つ場所）におけるLiDARのみのポーズ推定の劣化を解消すること。
• 高レートのIMU測定値を初期化のための事前分布として活用することで、3次元点群マッチングの精度と頑健性を向上させること。
• 非線形最適化を用いてLiDARとIMUの状態を同時に最適化し、自己運動推定における累積誤差を最小化すること。
• 部分的LiDARスキャンや動的運動を伴う実世界シナリオにおけるセンサ融合の有効性を実証すること。

提案手法

• IMU測定値の事前統合を用いて、連続するIMU状態間の相対運動をモデル化することで、計算コストを低減し、数値的安定性を向上させる。
• 非線形最適化フレームワークを用いて、LiDARのポーズとIMUの状態を同時に推定し、両センサモダリティの誤差を最小化する。
• 最適化されたIMUポーズが、その後の点群登録のより正確な初期推定を提供し、観測が少ない状況でのマッチング誤差を低減する。
• ポーズグラフベースの最適化を用いることで、時間経過に伴う一貫性のある状態推定を維持し、一時的なセンサ劣化に対しても頑健性を発揮する。
• 最適化されたIMU軌跡を事前分布として用いてレーザースキャンマッチングを実行し、点群整合の収束性を向上させ、ずれを低減する。
• センサの運動に起因する歪み補正を、高速なIMUベースのポーズ推定を用いて、将来的な拡張として検討する。

実験結果

リサーチクエスチョン

• RQ1 IMUデータは、点群がスパarsまたは部分的に遮断されている環境下でも、LiDARベースのポーズ推定の頑健性を向上させることができるか？
• RQ2 融合されたLiDARとIMU測定値の非線形最適化は、LiDARのみの手法と比較して、ずれやマッチング誤差をどのように低減するか？
• RQ3 事前統合されたIMUデータは、点群マッチングアルゴリズムの初期化品質をどの程度向上させるか？
• RQ4 本手法の融合フレームワークは、狭い通路や半分スキャンされた環境などの実世界の劣化状況下で、どの程度の性能を示すか？

主な発見

• 提案手法は、シミュレーションおよび実世界テストの両方で、LOAMやLiDARのみのバージョンを顕著に上回り、特に点群観測が限られた劣化環境下で顕著な優位性を示した。
• 屋内狭い通路テストでは、LOAMや非IMU支援バージョンと比較して、提案手法がより直線的な軌道を生成した。これは、運動推定精度の向上を示している。
• 半分遮断されたLiDARスキャンを伴う屋外テストでは、LOAMや非IMU支援手法が生じた大きな不整合を、提案手法が回避した。これは、マップ上の白いスキャンが一貫して整列していることからも裏付けられた。
• 点群マッチングが幾何的制約が不足しているために失敗した状況でも、IMU支援手法は安定的かつ正確なポーズ推定を維持した。
• 最適化フレームワークにより、時間経過に伴う並進誤差と回転誤差が効果的に低減された。図4の右カラムでは、左カラム（IMU融合なし）と比較して著しく低い誤差レベルが示された。
• 動的運動や環境の劣化に対しても、システムは頑健性を示し、LiDARのみの手法が失敗する状況でも一貫した性能を維持した。