[論文レビュー] PSF-LO: Parameterized Semantic Features Based Lidar Odometry

Gui-Bin Chen, Boshen Wang+4 more|arXiv (Cornell University)|Oct 26, 2020

Remote Sensing and LiDAR Applications参考文献 32被引用数 6

ひとこと要約

PSF-LO は、道路、建物、標識、柱状構造物のための新しいパラメータ化されたセマンティック特徴（PSF）を用いて幾何的特徴登録を向上させることで、リアルタイムのライダー.odometry手法を提案する。PSF と幾何的特徴を併用し、運動の一貫性と不確実性に基づく動的・静的物体分類器を採用することで、KITTI テストセットで平均 0.82% の並進誤差を達成し、セマンティックライダー手法の中で #1 の精度を実現した。

ABSTRACT

Lidar odometry (LO) is a key technology in numerous reliable and accurate localization and mapping systems of autonomous driving. The state-of-the-art LO methods generally leverage geometric information to perform point cloud registration. Furthermore, obtaining point cloud semantic information which can describe the environment more abundantly will help for the registration. We present a novel semantic lidar odometry method based on self-designed parameterized semantic features (PSFs) to achieve low-drift ego-motion estimation for autonomous vehicle in realtime. We first use a convolutional neural network-based algorithm to obtain point-wise semantics from the input laser point cloud, and then use semantic labels to separate the road, building, traffic sign and pole-like point cloud and fit them separately to obtain corresponding PSFs. A fast PSF-based matching enable us to refine geometric features (GeFs) registration, reducing the impact of blurred submap surface on the accuracy of GeFs matching. Besides, we design an efficient method to accurately recognize and remove the dynamic objects while retaining static ones in the semantic point cloud, which are beneficial to further improve the accuracy of LO. We evaluated our method, namely PSF-LO, on the public dataset KITTI Odometry Benchmark and ranked #1 among semantic lidar methods with an average translation error of 0.82% in the test dataset at the time of writing.

研究の動機と目的

• 幾何的特徴登録にセマンティック情報を統合することで、ライダー.odometryにおける累積的ドリフトを低減すること。
• ノイズや動的物体による干渉が、部分マップ表面の幾何的特徴マッチング精度を低下させる問題に対処すること。
• 静的セマンティックオブジェクトを保持しながら動的オブジェクトを除去する軽量でリアルタイムな手法を開発し、ポーズ推定を改善すること。
• 標準ベンチマークで、既存の幾何的およびセマンティックライダー.odometry手法を上回る精度を達成すること。

提案手法

• 生ライダー スキャンからのポイントごとのセマンティックラベルを予測するために、畳み込みニューラルネットワーク（RangeNet++）が使用される。
• 道路、建物、標識、柱状オブジェクトの 4 種類のパラメータ化されたセマンティック特徴（PSF）が設計され、それぞれが形状を要約的に表現するように幾何的フィッティングが施される。
• PSF に基づくマッチングを幾何的特徴（GeF）登録と統合することで、ノイズの多い部分マップ表面からのドリフトを低減し、ポーズ推定を精緻化する。
• 時間的ヘディングの一貫性、速度の大きさ、不確実性を用いて、動的オブジェクトを識別する新しいインスタンスレベル分類器が考案され、静的オブジェクトを保持しながら動的オブジェクトを効果的に除去可能となる。
• 幾何的およびセマンティック特徴を並列処理するデュアルスレッドアーキテクチャが採用され、PSF マッチングによる追加処理時間は 1 フレームあたり約 5ms にとどまり、リアルタイム性能を維持する。
• スパarsなマップにサーフェルを用い、元の高密度ポイントは半径ベースのアップサンプリング戦略によりマップに再挿入され、詳細を保持する。

実験結果

リサーチクエスチョン

• RQ1 パラメータ化されたセマンティック特徴（PSF）は、幾何的特徴に基づくライダー.odometryの精度を効果的に向上させ、ドリフトを低減できるか？
• RQ2 密なオブジェクト検出に依存せずに、運動に基づく分類器がライダー点群において動的・静的オブジェクトを正確に区別できるか？
• RQ3 セマンティック特徴と動的オブジェクトフィルタリングの統合により、KITTI などの標準ベンチマークで精度が向上し、リアルタイム性能を損なわないか？
• RQ4 PSF-LO は、最先端の幾何的およびセマンティックライダー.odometry手法と比較して、精度と頑健性において優れているか？

主な発見

• PSF-LO は KITTI Odometry Benchmark テストセットで平均 0.82% の並進誤差を達成し、セマンティックライダー手法の中で #1 の順位を獲得した。
• PSF を用いた幾何的特徴登録の精緻化によりドリフトが効果的に低減され、純粋な幾何的手法（例：LOAM）やセマンティック手法（例：SuMa++）を上回った。
• 動的オブジェクト分類器は、クラス不均衡の影響を受けても平均 23.53% の正確度を達成し、移動物体の区別において頑健であることが示された。
• PSF に基づく精緻化処理は 1 フレームあたり約 5ms の追加時間で済み、5Hz 入力周波数でもリアルタイム性能を維持できる。
• 分類なしですべてのオブジェクトを除去する「no-o」のアブレーションバージョンは、PSF-LO よりも性能が劣っており、静的セマンティック構造の保持の利点が裏付けられた。
• PSF-LO は非リアルタイムの IMLS-SLAM（1.25 秒/フレーム）と同等の性能をリアルタイムで達成し、効率性と精度のトレードオフの妥当性を示した。