[論文レビュー] RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments

Chenglong Qian, Xiang Zhao-hong+2 more|arXiv (Cornell University)|Jun 19, 2022

Robotics and Sensor-Based Localization被引用数 6

ひとこと要約

RF-LIO は、移動物体の除去を最優先とする密結合型 LiDAR-IMU オドメトリフレームワークを提案する。高動的環境におけるSLAMの精度を向上させるために、まずIMU支援初期姿勢推定を用いて適応的マルチスケールレンジ画像を用いて動的点を除去し、次に綺麗な点群上でスキャンマッチングを実行する。UrbanLoCoの高動的データセットにおいて、LOAM より90%、LIO-SAM より70%の絶対軌道精度の向上を達成した。

ABSTRACT

Simultaneous Localization and Mapping (SLAM) is considered to be an essential capability for intelligent vehicles and mobile robots. However, most of the current lidar SLAM approaches are based on the assumption of a static environment. Hence the localization in a dynamic environment with multiple moving objects is actually unreliable. The paper proposes a dynamic SLAM framework RF-LIO, building on LIO-SAM, which adds adaptive multi-resolution range images and uses tightly-coupled lidar inertial odometry to first remove moving objects, and then match lidar scan to the submap. Thus, it can obtain accurate poses even in high dynamic environments. The proposed RF-LIO is evaluated on both self-collected datasets and open Urbanloco datasets. The experimental results in high dynamic environments demonstrate that, compared with LOAM and LIO-SAM, the absolute trajectory accuracy of the proposed RF-LIO can be improved by 90% and 70%, respectively. RF-LIO is one of the state-of-the-art SLAM systems in high dynamic environments.

研究の動機と目的

• 車両や歩行者などの移動物体が点群地図を歪める高動的環境における誤ったローカライゼーションの課題に対処すること。
• 動的SLAMにおける「鶏と卵」問題を克服すること：動的点を除去するには正確な姿勢が必要だが、動的点が存在する状態では正確な姿勢が得られないこと。
• スキャンマッチングの前に動的点を除去することで、深層学習やシーン固有のトレーニングデータに依存せずに、軌道精度を向上させる手法を開発すること。
• 高密度なオブジェクトと頻繁なオクルージョンを伴う複雑な都市環境でも、リアルタイムで頑健な状態推定とマッピングを可能にすること。

提案手法

• 除去を最優先とする戦略を導入：即座にスキャンマッチングを行う代わりに、RF-LIO は密結合型LiDAR-IMUオドメトリ（LIO）を用いて粗い姿勢を推定し、動的点の除去を支援する。
• 現在のLiDARスキャンから適応的マルチスケールレンジ画像を構築し、可視性および強度の変化に基づいて動的点を検出・分離する。
• IMUの高レート測定値を活用して初期運動を推定し、点群をレンジ画像空間に正確に投影することで、動的点の検出を可能にする。
• 可視性に基づく基準をレンジ画像に適用し、静的背景点が複数フレームにわたり一貫して可視であると仮定して、動的物体に属する可能性の高い点を特定・除去する。
• 除去処理後のクリアな点群に対してのみスキャンマッチングを実行し、より正確な軌道推定を得る。
• LiDARとIMU測定値を統合する密結合型最適化フレームワークを反復的に適用し、姿勢と動的点の除去を高精度に改善する。

実験結果

リサーチクエスチョン

• RQ1 高密度な移動物体が存在する高動的環境において、除去を最優先とする戦略が、従来のスキャンマッチングを最優先とする手法を上回る性能を発揮できるか？
• RQ2 事前トレーニングデータが不要な状態で、適応的マルチスケールレンジ画像による動的点の検出と除去はどの程度有効か？
• RQ3 密結合型LIOと動的点除去を統合することで、最先端のSLAMシステムと比較して、軌道精度が顕著に向上するか？
• RQ4 スキャンマッチングの前後で動的点を除去する際の、計算効率と精度のトレードオフは何か？
• RQ5 本手法は、動的オブジェクト密度やオクルージョンパターンが異なる多様な都市シーンに一般化可能か？

主な発見

• RF-LIO は、高動的 UrbanLoCo データセットにおいて、LOAM より90%、LIO-SAM より70%の絶対軌道精度の向上を達成した。
• CAMarktStreet および CARussianHill データセットでは、RF-LIO (After) が LIO-SAM と比較して、絶対軌道RMSE をそれぞれ61.6%および65.1%低減した。
• 除去を最優先とする戦略（RF-LIO First）は、除去を後続に実行する（RF-LIO After）よりも高い精度を発揮し、2つの高動的データセットでそれぞれ34.0%および3.6%の誤差低減を達成した。
• RF-LIO (FA) は、全体として最高のパフォーマンスを発揮し、CAMarktStreet では絶対軌道RMSE 15.89m、CARussianHill では12.17m を達成し、すべてのベースラインを上回った。
• RF-LIO の平均的な動的オブジェクト除去率は、全データセットで96.1%に達し、効果的な動的点検出を裏付けた。
• 実行時間も効率的であり、RF-LIO (FA) は高動的環境でも1スキャンあたり121ms未満で処理を完了し、リアルタイム実行の可能性を示した。