[論文レビュー] MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square

Yue Pan, Pengchuan Xiao+3 more|arXiv (Cornell University)|Feb 7, 2021

Robotics and Sensor-Based Localization参考文献 62被引用数 16

ひとこと要約

MULLS は、多様な LiDAR 型および環境で、幾何的特徴（地面、外壁、柱、梁）をマルチメトリック線形最小二乗 ICP を用いて登録する、多用途でリアルタイムな 3D LiDAR SLAM システムである。7 つの LiDAR から得られる 100,000 フレーム以上のデータを用いた室外および室内のシナリオにおいて、低ドリフトと高い地図精度を達成し、KITTI ベンチマークでトップ 10 にランクインし、リアルタイム性能を備えている。

ABSTRACT

The rapid development of autonomous driving and mobile mapping calls for off-the-shelf LiDAR SLAM solutions that are adaptive to LiDARs of different specifications on various complex scenarios. To this end, we propose MULLS, an efficient, low-drift, and versatile 3D LiDAR SLAM system. For the front-end, roughly classified feature points (ground, facade, pillar, beam, etc.) are extracted from each frame using dual-threshold ground filtering and principal components analysis. Then the registration between the current frame and the local submap is accomplished efficiently by the proposed multi-metric linear least square iterative closest point algorithm. Point-to-point (plane, line) error metrics within each point class are jointly optimized with a linear approximation to estimate the ego-motion. Static feature points of the registered frame are appended into the local map to keep it updated. For the back-end, hierarchical pose graph optimization is conducted among regularly stored history submaps to reduce the drift resulting from dead reckoning. Extensive experiments are carried out on three datasets with more than 100,000 frames collected by seven types of LiDAR on various outdoor and indoor scenarios. On the KITTI benchmark, MULLS ranks among the top LiDAR-only SLAM systems with real-time performance.

研究の動機と目的

• 異なる LiDAR の仕様や複雑な環境に強く、耐性のある LiDAR SLAM システムの開発。
• リングやレンジ画像といったセンサ固有の表現に依存する既存の LiDAR SLAM システムにおける柔軟性の欠如を是正すること。
• スキャンラインに依存しないアプローチを用いて、多様な屋外および屋内シナリオでリアルタイムかつ低ドリフトの性能を実現すること。
• 線形最小二乗フレームワーク内で点対平面および点対線の誤差メトリクスを統合最適化することで、マッピングの精度と耐性を向上させること。

提案手法

• システムは二重しきい値による地面フィルタリングと主成分分析を用いて、生の 3D ポイントクラウドから幾何的特徴（地面、外壁、柱、梁、屋根）を抽出する。
• 新規のマルチメトリック線形最小二乗 ICP（MULLS-ICP）アルゴリズムにより、分類済みの特徴点内で点対平面および点対線の誤差メトリクスを統合最適化し、エゴモーションを効率的に推定する。
• 各登録フレームからの静的特徴点が、最新の進化する地図表現を維持するためのローカルサブマップに追加される。
• 履歴サブマップに対して階層的ポーズグラフ最適化（PGO）を適用し、デッドレコニングによるドリフトを補正する。ループクロージャ検出には TEASER を用いたグローバルレジストレーションを実施する。
• システムは LiDAR モデルのパrameter に依存せず、リングやレンジ画像への変換を避けることで、完全な 3D 構造情報が保持される。
• 強度の一貫性と幾何的重み関数を組み込むことで、特に特徴が乏しい、あるいは困難なシーン（高速道路など）における耐性が向上する。

実験結果

リサーチクエスチョン

• RQ1 センサ固有の表現（リングやレンジ画像）に依存せずに、多様な LiDAR 硬貨構成でリアルタイム性能と低ドリフトを達成できるか。
• RQ2 点対平面および点対線の複数の幾何的誤差メトリクスを統合最適化することで、複雑な環境におけるレジストレーション精度と耐性がどのように向上するか。
• RQ3 強度の一貫性と適応的重み関数を組み込むことで、特徴が乏しいまたは動的なシーンでの性能がどの程度向上するか。
• RQ4 TEASER を用いたサブマップベースのポーズグラフ最適化は、長時間のシーケンスにおける累積的ドリフト低減にどの程度効果的か。
• RQ5 頂点、線形、平面などの異なる幾何的特徴点カテゴリが、全体の SLAM の精度およびシステムの安定性に与える影響は何か。

主な発見

• KITTI シーケンス 00 において、MULLS は平均移動誤差 0.51%、回転誤差 0.18°/100m を達成し、LiDAR 僅用の SLAM システムの中でトップ 10 にランクインした。
• KITTI シーケンス 01 では、移動誤差 0.62%、回転誤差 0.09°/100m を達成し、都市環境でも優れた性能を示した。
• 全シーケンスで平均して 10Hz 以上のリアルタイム性能を維持した。2k のソース点群と 20k のターゲット点群を用いた ICP イテレーションの中央値実行時間は 0.2ms であった。
• フロントエンドで頂点点を除外することで、構造化されたシーンでの精度が向上したが、高速道路での性能を確保するには線形点（柱、梁）の含めが不可欠であった。
• アブレーションスタディの結果、バランス、残差、強度の三つの重み関数すべてが性能向上に寄与しており、特に強度の一貫性が特徴が乏しい高速道路シーンで顕著な改善効果を示した。
• ISPRS MIMAP データセットを用いた屋内マッピングでは、MULLS は TLS の真値と比較して平均 6.7cm のマッピング誤差を達成し、複雑な屋内環境でも高い地図品質を示した。