[論文レビュー] Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration

Jianhao Jiao, Haoyang Ye+2 more|arXiv (Cornell University)|Oct 27, 2020

Robotics and Sensor-Based Localization参考文献 81被引用数 12

ひとこと要約

本稿では、手動の初期化を必要とせず、リアルタイムでのオドメトリ、マッピング、外部キャリブレーションを統合的に行う、頑健でオンラインなマルチLiDAR SLAMシステムM-LOAMを提案する。スライディングウィンドウ最適化とモーションベースの初期化、オンライン収束検出、不確実性を考慮した特徴管理を用いることで、複雑な環境下でもセンチメートルレベルの精度を達成する。

ABSTRACT

Combining multiple LiDARs enables a robot to maximize its perceptual awareness of environments and obtain sufficient measurements, which is promising for simultaneous localization and mapping (SLAM). This paper proposes a system to achieve robust and simultaneous extrinsic calibration, odometry, and mapping for multiple LiDARs. Our approach starts with measurement preprocessing to extract edge and planar features from raw measurements. After a motion and extrinsic initialization procedure, a sliding window-based multi-LiDAR odometry runs onboard to estimate poses with online calibration refinement and convergence identification. We further develop a mapping algorithm to construct a global map and optimize poses with sufficient features together with a method to model and reduce data uncertainty. We validate our approach's performance with extensive experiments on ten sequences (4.60km total length) for the calibration and SLAM and compare them against the state-of-the-art. We demonstrate that the proposed work is a complete, robust, and extensible system for various multi-LiDAR setups. The source code, datasets, and demonstrations are available at https://ram-lab.com/file/site/m-loam.

研究の動機と目的

• 事前外部キャリブレーションがなく、事前知識が限られた実世界環境においてマルチLiDARシステムを展開する課題に対処すること。
• 運用中に信頼性高く収束するオンラインで自己学習可能な外部キャリブレーションを実現し、手動での再キャリブレーションを回避すること。
• マップポイントおよび特徴の不確実性をモデル化して低減することで、SLAMにおけるポーズドリフトを低減すること。
• 最小限の人的介入で、さまざまなマルチLiDAR設定をサポートする包括的かつ拡張性のあるシステムを構築すること。

提案手法

• キャリブレーションオブジェクトや事前の機械的知識を必要とせず、モーションベースの初期化によりLiDAR間の初期外部変換を推定する。
• スライディングウィンドウに基づく最適化フレームワークを採用し、マルチLiDAR測定値を統合して高周波で高精度なポーズ推定を実現する。
• オンラインキャリブレーションのための一般的な収束基準を導入し、キャリブレーションが安定した段階で自動的に終了をトリガーする。
• 確率的表現を用いてマップポイントの不確実性をモデル化し、ロバスト推定技術を用いて外れ値を除外する。
• 計算効率と時間経過に伴う状態の一貫性を維持するため、シュール補完に基づくマージナライゼーションを最適化に適用する。
• ジャコビアンに基づく情報行列の更新を伴うCeresソルバを活用し、マージナライズされた状態を効率的かつ段階的に最適化可能にする。

実験結果

リサーチクエスチョン

• RQ1 マルチLiDAR SLAMシステムは、人的介入やセンサ構成に関する事前知識なしに、正確で頑健な外部キャリブレーションを達成できるか？
• RQ2 リアルタイム運用中に完全に自律的かつ信頼性高く、オンラインキャリブレーションの収束を検出し、終了できるか？
• RQ3 データの不確実性をモデル化することで、構造のない環境においてポーズ推定の精度とマップの一貫性はどの程度向上するか？
• RQ4 マルチLiDAR統合を伴うスライディングウィンドウアプローチは、単一LiDARや単純なマルチセンサ統合と比較して、ポーズドリフトを効果的に低減できるか？
• RQ5 さまざまな環境や異なるセンサ構成を有する多様なマルチLiDAR設定において、本システムの性能はどの程度であるか？

主な発見

• 提案手法は、合計4.60 kmにわたる10の多様なシーケンスにおいて、センチメートルレベルのキャリブレーション精度を達成し、実世界環境下での頑健性を示した。
• オンライン収束検出が、人的監視なしに安定したキャリブレーション状態を的確に同定でき、動的環境下での信頼性ある運用を可能にした。
• 不確実性を考慮したマッピングアルゴリズムにより、外れ値の影響が低減され、特にスパarsaまたは特徴が乏しい領域でマップの一貫性が向上した。
• 特に細い通路や屋外ルートといった困難なシナリオにおいて、最新の手法と比較してキャリブレーション精度とポーズ推定の安定性の両面で優れた性能を示した。
• 広範な実験により、本システムの拡張性と頑健性が、さまざまなマルチLiDAR設定において確認され、実用的かつ展開可能であることが裏付けられた。