[논문 리뷰] 6-DOF Feature based LIDAR SLAM using ORB Features from Rasterized Images of 3D LIDAR Point Cloud

Waqas Ali, Peilin Liu외 2명|arXiv (Cornell University)|2021. 03. 19.

Robotics and Sensor-Based Localization참고 문헌 28인용 수 10

한 줄 요약

이 논문은 3D LIDAR 포인트 클라우드에서 유도된 래스터라이즈된 2차원 이미지에 ORB 특징 검출을 활용하여 계산 비용을 효율적으로 줄이는 6-DOF LIDAR SLAM 시스템을 제안한다. 직접 3D 포인트 클라우드를 처리하는 대신 래스터라이즈된 이미지를 사용함으로써 높은 계산 효율성을 달성하면서도 정확한 자세 추정 및 루프 클로처 탐지 성능을 유지하며, LOAM 및 Cartographer와 같은 최신 기술들보다도 속도와 CPU 사용량 측면에서 뛰어나다.

ABSTRACT

An accurate and computationally efficient SLAM algorithm is vital for modern autonomous vehicles. To make a lightweight the algorithm, most SLAM systems rely on feature detection from images for vision SLAM or point cloud for laser-based methods. Feature detection through a 3D point cloud becomes a computationally challenging task. In this paper, we propose a feature detection method by projecting a 3D point cloud to form an image and apply the vision-based feature detection technique. The proposed method gives repeatable and stable features in a variety of environments. Based on such features, we build a 6-DOF SLAM system consisting of tracking, mapping, and loop closure threads. For loop detection, we employ a 2-step approach i.e. nearest key-frames detection and loop candidate verification by matching features extracted from rasterized LIDAR images. Furthermore, we utilize a key-frame structure to achieve a lightweight SLAM system. The proposed system is evaluated with implementation on the KITTI dataset and the University of Michigan Ford Campus dataset. Through experimental results, we show that the algorithm presented in this paper can substantially reduce the computational cost of feature detection from the point cloud and the whole SLAM system while giving accurate results.

연구 동기 및 목표

• SLAM 시스템에서 3D LIDAR 포인트 클라우드로부터 직접 특징 검출을 수행할 경우 발생하는 높은 계산 비용을 해결하기 위해.
• 다양한 환경에 적용 가능한 일반적이고 반복 가능하며 안정적인 특징 검출 방법을 개발하기 위해.
• 3D LIDAR SLAM의 계산 부담을 줄이면서도 자세 추정 및 매핑의 높은 정확도를 유지하기 위해.
• 래스터라이즈된 이미지에서의 특징 매칭과 가까운 키 프레임 검색을 활용한 효율적인 루프 클로처 탐지 메커니즘을 설계하기 위해.
• 키 프레임 기반 최적화 및 특징 재사용을 통해 저소비 CPU로 실시간 성능을 달성하기 위해.

제안 방법

• 3D LIDAR 포인트 클라우드를 2차원 강도 이미지로 래스터라이즈하여 2차원 특징 추출을 효율적으로 구현하기 위해.
• 원시 3D 포인트 클라우드를 처리하는 대신, 래스터라이즈된 이미지에 ORB 특징 검출 및 기술자를 적용하기 위해.
• 추출된 ORB 특징를 사용하여 실시간으로 6-DOF 차량 자세를 추정하기 위한 시각적 오도메트리 구현하기 위해.
• 로컬 맵 관리를 위한 키 프레임 기반 구조를 도입하고, 효율적인 로컬 번들 조정을 가능하게 하기 위해.
• 두 단계 과정을 통해 루프 클로저를 탐지하기 위해: 첫 번째로 가장 가까운 키 프레임을 식별하고, 두 번째로 래스터라이즈된 이미지에서 특징 매칭을 통해 검증하기 위해.
• 루프 클로저 제약 조건을 포함한 자세 그래프 최적화를 통해 전체 궤적을 최적화하고, 일관성을 확보하기 위해 동일한 ORB 특징를 재사용하기 위해.

실험 결과

연구 질문

• RQ1 3D LIDAR 포인트 클라우드의 래스터라이즈된 2차원 이미지에서 추출된 ORB 특징가 다양한 환경에서 안정적이고 반복 가능한 특징을 제공할 수 있는가?
• RQ2 LIDAR SLAM에서 직접 3D 포인트 클라우드를 처리하는 것과 비교해 래스터라이즈된 이미지를 사용한 특징 검출이 계산 비용을 크게 줄일 수 있는가?
• RQ3 가장 가까운 키 프레임 검색과 특징 매칭 기반의 두 단계 루프 클로저 탐지 전략이 낮은 계산 부담으로도 높은 정확도를 달성할 수 있는가?
• RQ4 LOAM 및 Cartographer와 같은 최신 기술들과 비교해 제안된 시스템은 정확도와 효율성 측면에서 어떤가?
• RQ5 키 프레임 구조와 로컬 번들 조정이 매핑 정확도를 훼손하지 않으면서 계산 효율성을 얼마나 향상시키는가?

주요 결과

• KITTI 데이터셋에서 제안된 방법은 평균 추적 시간을 41.7 ms로, 매핑 시간을 61.5 ms로 줄여 LOAM보다 계산 효율성에서 뚜렷한 우수성을 보였다.
• 완전한 SLAM 파이프라인의 CPU 사용량은 평균 5.16–13.41%로, Cartographer의 18.59–33.6%와 비교해 상당한 자원 절감 효과를 보였다.
• KITTI 및 밀란드 대학 Ford Campus 데이터셋 모두에서 최신 기술 수준의 정확도를 확보하면서도 훨씬 낮은 계산 비용으로 운영되었다.
• 3D 포인트 클라우드를 스캔하는 대신 2차원 래스터라이즈된 이미지를 처리함으로써 특징 추출 시간이 극적으로 감소하여 실시간 성능이 가능해졌다.
• 두 단계 루프 클로저 탐지 방법은 거짓 긍정을 효과적으로 줄였고, 높은 재현율을 유지하였으며, 추적, 매핑, 루프 클로저 스레드 간 특징 재사용으로 인해 효율성이 향상되었다.
• 로컬 번들 조정과 자세 그래프 최적화가 궤적 정확도를 크게 향상시켰고, 키 프레임 구조 덕분에 계산 부담에 거의 영향을 주지 않아 최적의 성능을 달성했다.