[論文レビュー] Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and Visual Bootstrapping

Hanyu Cai, Ni Ou+1 more|arXiv (Cornell University)|Apr 18, 2023

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

本論文は、視覚的ブートストラップと新規のスケール補正法を用いて、モノクローラ視覚オドメトリとLiDARオドメトリを結合する、緩く結合された視覚-LiDAR SLAMシステムを提案する。スケール補正器は、視覚特徴からの三角測量深度とLiDARによる深度を用い、深度強化を必要とせずにモノクローラスケールドリフトを補正する。一方、視覚オドメトリはLiDARの初期姿勢を初期化することで、耐障害性を向上させる。本システムは、A-LOAMよりも低い並進ドリフトを達成し、特に劣化したシーンにおいてはステレオ ORB-SLAM2 と同等の性能を示す。

ABSTRACT

This paper presents a novel visual-LiDAR odometry and mapping method with low-drift characteristics. The proposed method is based on two popular approaches, ORB-SLAM and A-LOAM, with monocular scale correction and visual-bootstrapped LiDAR poses initialization modifications. The scale corrector calculates the proportion between the depth of image keypoints recovered by triangulation and that provided by LiDAR, using an outlier rejection process for accuracy improvement. Concerning LiDAR poses initialization, the visual odometry approach gives the initial guesses of LiDAR motions for better performance. This methodology is not only applicable to high-resolution LiDAR but can also adapt to low-resolution LiDAR. To evaluate the proposed SLAM system's robustness and accuracy, we conducted experiments on the KITTI Odometry and S3E datasets. Experimental results illustrate that our method significantly outperforms standalone ORB-SLAM2 and A-LOAM. Furthermore, regarding the accuracy of visual odometry with scale correction, our method performs similarly to the stereo-mode ORB-SLAM2.

研究の動機と目的

• 深度強化を必要としないスケール補正法を導入することで、視覚オドメトリにおけるモノクローラスケールドリフトを解消すること。
• 視覚オドメトリの結果を用いてLiDARオドメトリの初期姿勢推定を初期化することで、困難なシーンにおけるLiDARオドメトリの耐障害性を向上させること。
• 視覚オドメトリとLiDARオドメトリを併用する緩い結合型統合フレームワークを構築し、単体のシステムよりも優れた性能を達成すること。
• 高解像度および低解像度のLiDARに両立可能であることを保証するため、密度の高い点群に依存しないこと。
• KITTIおよびS3Eデータセットにおいて、A-LOAMおよびORB-SLAM2と比較して優れた性能を示すことを実証すること。特に、運動劣化が顕著なシーンで顕著な優位性を示すこと。

提案手法

• スケール補正器は、視覚キーポoinからの三角測量深度とLiDARが提供する深度の比を計算し、外れ値除去を用いて精度を向上させる。
• 視覚オドメトリはA-LOAMを介してLiDARオドメトリの初期姿勢推定を提供し、初期化誤差を低減し、劣化したシーンにおける収束性を向上させる。
• システムは緩い結合型アーキテクチャを採用しており、視覚オドメトリとLiDARオドメトリが並列に動作し、視覚オドメトリがスケール補正を、LiDARオドメトリが耐障害性の高い運動推定を担当する。
• A-LOAMの姿勢推定は、視覚オドメトリによる初期化によって強化され、高加速度や特徴密度が低いシーンでの失敗を低減する。
• 局所最適化では、最初のキーフレームを基準として使用することで、最適化中の安定性を向上させ、ドリフトを低減する。
• トラジェクトリの同期にはUmeyama法とevoツールキットを用い、視覚オドメトリの予測値と真値を一致させる。

実験結果

リサーチクエスチョン

• RQ1 深度強化を回避するスケール補正法が、視覚オドメトリにおけるモノクローラスケールドリフトを効果的に低減できるか？
• RQ2 A-LOAMが初期姿勢推定が不十分なために失敗するシーンにおいて、視覚オドメトリの結果でLiDARオドメトリの初期化を実施することで、性能が向上するか？
• RQ3 提案された緩い結合型視覚-LiDAR SLAMシステムは、標準ベンチマーク上でのドリフトと精度の観点から、単体のORB-SLAM2およびA-LOAMと比較して、どのように差がつくか？
• RQ4 VLP-16のような低解像度LiDARでも、本システムは耐障害性と精度を維持できるか？
• RQ5 視覚的ブートストラップは、特徴が疎で劣化した環境下でLiDARオドメトリの失敗率をどの程度低減できるか？

主な発見

• 提案されたスケール補正器により、ループクロージャーなしでも、視覚オドメトリはステレオモードのORB-SLAM2と同等の絶対並進誤差および回転誤差を達成する。
• KITTIデータセットでは、ベースラインのA-LOAMと比較して、顕著に低い並進ドリフトを達成し、回転ドリフトもやや低い。
• S3Eデータセットでは、定量的指標および定性的な性能の両面でA-LOAMを上回り、特に特徴が乏しく、運動劣化が顕著なシーンで顕著な優位性を示す。
• 視覚的ブートストラップは、A-LOAM最適化における反復回数を削減し、特徴が疎なカーブを曲がる道路のような困難なシーンで局所最適解への収束を防ぐ。これは、定性的な結果からも示されている。
• 本システムは、低解像度LiDAR（VLP-16）に対しても耐障害性を維持する。一方、SDV-LOAMはS3Eデータセットでこのセンサーと互換性がなく、失敗する。
• 劣化したシーン、例えば高密度なテクスチャが欠如した大規模な迂回路では、A-LOAMは大きな誤差を生じるが、本システムは図7に示すように、正確な姿勢推定を維持する。