[論文レビュー] LiLO: Lightweight and low-bias LiDAR Odometry method based on spherical range image filtering

Edison Velasco-Sánchez, Miguel Ángel Muñoz-Bañón+3 more|arXiv (Cornell University)|Nov 13, 2023

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

LiLOは、生の点群を球面範囲画像（SRI）に変換し、Sobelおよびフーリエベースのフィルタリングを用いて地面、エッジ、表面特徴を抽出・低減する、軽量でバイアスの小さいLiDARオドメトリ手法を提案する。この前処理により、計算負荷と特徴数が著しく削減され、グローバルマップや外部センサを必要とせず、局所マップマッチングを用いた高速で高精度なポーズ推定が可能となり、KITTIでは0.86%の並進誤差と0.0036°/mの回転誤差を達成。実世界の3.5kmのループでは平均27msの実行時間と0.8mのループクロージャーエラーを達成した。

ABSTRACT

In unstructured outdoor environments, robotics requires accurate and efficient odometry with low computational time. Existing low-bias LiDAR odometry methods are often computationally expensive. To address this problem, we present a lightweight LiDAR odometry method that converts unorganized point cloud data into a spherical range image (SRI) and filters out surface, edge, and ground features in the image plane. This substantially reduces computation time and the required features for odometry estimation in LOAM-based algorithms. Our odometry estimation method does not rely on global maps or loop closure algorithms, which further reduces computational costs. Experimental results generate a translation and rotation error of 0.86\% and 0.0036°/m on the KITTI dataset with an average runtime of 78ms. In addition, we tested the method with our data, obtaining an average closed-loop error of 0.8m and a runtime of 27ms over eight loops covering 3.5Km.

研究の動機と目的

• 構造的でない屋外環境における、既存の低バイアスLiDARオドメトリ手法の高い計算コストを解消すること。
• オドメトリ精度やバイアスを損なわずに、特徴密度と処理時間を低減すること。
• グローバルマップ、ループクロージャーや外部センサ（IMUやGPS）への依存を排除することで、計算負荷とシステムの複雑さを低減すること。
• 実行時間と特徴の複雑さを低減することで、パスプランニングや高精度な局所化に適したリアルタイムロボットシステムへの統合を可能にすること。
• 廃棄物収集プラットフォームなどの挑戦的な屋外シナリオにおいても、高精度で低ドリフトなオドメトリを実現し、移動ロボットに適した性能を達成すること。

提案手法

• 効率的な2次元画像処理を可能とするために、生の3次元LiDAR点群を球面範囲画像（SRI）に変換する。
• 64チャンネルLiDARにはSobelオペレータベースの勾配フィルタリング、16チャンネルLiDARにはフーリエ変換ベースのマスクを適用し、地面、エッジ、表面特徴を検出・分離する。
• SRIからフィルタリングされた点群を再構築し、ボクセルフィルタリングを用いて全体の点群密度を低減する。
• グローバルマップの構築なしに、動的に更新される軽量な局所マップを維持するため、KDツリーインデキシングを用いたフレーム対局所マップマッチング戦略を採用する。
• ICPベースの最適化を用いて、連続するフレーム間のエッジおよび表面特徴をマッチングし、ポーズ推定を実行するLOAMに類似したアルゴリズムを採用する。
• 外部センサ（例：IMU、GPS）やループクロージャーメカニズムへの依存を回避することで、計算負荷とシステムの複雑さを低減する。

Figure 1: Pipeline of our LiLO method for odometry estimation, which filters the ground $\mathbf{I}_{\mathcal{G}}$ , edges $\mathbf{I}_{\mathcal{E}}$ and surfaces $\mathbf{I}_{\mathcal{S}}$ in a SRI obtained from a point cloud. Point cloud reconstruction: ground $\mathbf{P}_{\mathcal{G}}$ (green), e

実験結果

リサーチクエスチョン

• RQ1 SRIベースの特徴フィルタリングは、LiDARオドメトリにおける計算コストを著しく低減しつつ、低軌道バイアスを維持できるか？
• RQ2 グローバルマップやループクロージャーの依存を排除した場合、実世界の屋外環境におけるオドメトリ精度と実行時間にどのような影響を与えるか？
• RQ3 SRIベースのフィルタリングは、点群密度の低減を伴いながら、特徴抽出の効率をどの程度向上させ、ポーズ推定性能の劣化を防げるか？
• RQ4 F-LOAMなどの最先端のLOAMベース手法と比較して、LiLOは実世界データにおいて精度、実行時間、ループクロージャーエラーの点でどのように優れているか？
• RQ5 軽量でセンサに依存しないオドメトリシステムは、パスプランニングやジオローゲーションなどのリアルタイムロボットアプリケーションに効果的に統合可能か？

主な発見

• LiLOはKITTIデータセットで並進誤差0.86%、回転誤差0.0036°/mを達成し、高精度かつ低バイアスであることを示した。
• KITTIデータセットでは1フレームあたり平均78msで実行され、標準的なLOAMバージョンと比較して著しく計算負荷が低減された。
• 実世界の16ビームLiDARデータ（8つのループで合計3.5km）を用いた実験では、ループクロージャーエラーが0.8m、平均実行時間が27msであった。
• F-LOAMと比較してループクロージャーエラーを4倍低減しながら、同等の実行時間を維持したため、より優れた精度と耐障害性を示した。
• グローバルマップがなく、特徴数も少ないにもかかわらず、F-LOAMを上回るループクロージャーエラーの精度を達成した。これは、LiLOの低バイアス性を裏付けるものである。
• Sobelおよびフーリエベースのマスクを用いたSRIフィルタリングにより、効率的な特徴抽出と点群の低減が可能となり、システムの軽量性と高速性に直接寄与した。

Figure 2: Transformation of point clouds in $\mathbb{R}^{3}$ into a SRI $\mathbf{I}_{SRI}$ in $\mathbb{R}^{2}$ .