[논문 리뷰] A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs

Jiarong Lin, Xiyuan Liu외 1명|arXiv (Cornell University)|2020. 07. 03.

Robotics and Sensor-Based Localization참고 문헌 24인용 수 9

한 줄 요약

이 논문은 무인 지상 차량에 장착된 다수의 LiDAR를 사용하여 동기 캘리브레이션, 로컬라이제이션 및 매핑(SLAM)을 위한 탈중앙화된 확장 칼만 필터(EKF)-기반 프레임워크를 제안한다. 개별 LiDAR 프로세서에 연산을 분산하고 온라인 외부 캘리브레이션을 가능하게 함으로써, 도시 환경에서 상대 오차가 0.2% 이내로 높은 정밀도의 로컬라이제이션을 달성하며, 다중 센서 자율 시스템의 강인성과 확장성에 기여한다.

ABSTRACT

LiDAR is playing a more and more essential role in autonomous driving vehicles for objection detection, self localization and mapping. A single LiDAR frequently suffers from hardware failure (e.g., temporary loss of connection) due to the harsh vehicle environment (e.g., temperature, vibration, etc.), or performance degradation due to the lack of sufficient geometry features, especially for solid-state LiDARs with small field of view (FoV). To improve the system robustness and performance in self-localization and mapping, we develop a decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs. Our proposed framework is based on an extended Kalman filter (EKF), but is specially formulated for decentralized implementation. Such an implementation could potentially distribute the intensive computation among smaller computing devices or resources dedicated for each LiDAR and remove the single point of failure problem. Then this decentralized formulation is implemented on an unmanned ground vehicle (UGV) carrying 5 low-cost LiDARs and moving at $1.3m/s$ in urban environments. Experiment results show that the proposed method can successfully and simultaneously estimate the vehicle state (i.e., pose and velocity) and all LiDAR extrinsic parameters. The localization accuracy is up to 0.2% on the two datasets we collected. To share our findings and to make contributions to the community, meanwhile enable the readers to verify our work, we will release all our source codes and hardware design blueprint on our Github.

연구 동기 및 목표

• 특징이 부족하거나 혹독한 환경에서 단일 LiDAR의 한계를 보완하기 위해 분산된 다수의 LiDAR를 활용하고자 한다.
• 중앙집중식 다중 LiDAR 처리 아키텍처에서 내재된 단일 실패 지점과 높은 대역폭 문제를 해결하고자 한다.
• 통합된 EKF 수식을 통해 차량 상태와 LiDAR 외부 캘리브레이션 파라미터를 동시에 온라인으로 탈중앙화 추정할 수 있도록 하고자 한다.
• 기하학적 특징이 제한된 실제 도시 환경에서 로컬라이제이션 정확도와 매핑 일관성을 향상시키고자 한다.
• 하드웨어 및 소프트웨어 가용성을 포함한 재현 가능한 오픈소스 솔루션을 제공하고자 한다.

제안 방법

• 각 LiDAR가 자체 EKF 복사본을 유지하고 현지 포인트 클라우드 데이터를 처리하며 상태 추정치만 교환하는 탈중앙화된 EKF 수식을 사용한다.
• 상태 벡터에는 기하학적 중심의 자세 및 속도, 그리고 중심에 대한 모든 LiDAR의 외부 캘리브레이션 파라미터(회전 및 이동)가 포함된다.
• 각 EKF는 다른 LiDAR로부터 수신한 상태 업데이트를 사용해 예측을 수행하고, 새로운 현지 LiDAR 스캔을 사용해 업데이트함으로써 분산 상태 추정을 실현한다.
• 프레임워크는 일정 속도 운동 모델을 사용하고, 지ap 일致성을 확보하기 위해 특징 기반 ICP 유사 정렬을 통해 포인트 클라우드 데이터를 통합한다.
• 공유된 환경적 특징과 상태 상관관계를 통해 LiDAR 간 상대 변환을 추정함으로써 온라인 외부 캘리브레이션을 수행한다.
• 시스템은 차량 버스를 통해 통신하는 5대의 저비용 LiDAR를 탑재한 UGV에 구현되었으며, 실시간 및 장애 내성 운영을 위해 설계되었다.

실험 결과

연구 질문

• RQ1 탈중앙화된 EKF 프레임워크는 다중 LiDAR 시스템에서 차량 상태와 LiDAR 외부 캘리브레이션 파라미터를 동시에 추정할 수 있는가?
• RQ2 중앙집중식 아키텍처에 비해 탈중앙화 처리가 강인성 향상과 계산 부하 감소에 어떻게 기여하는가?
• RQ3 소형 시야각을 가진 다수의 LiDAR가 특징이 풍부하지 않은 도시 환경에서 로컬라이제이션 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 다수의 LiDAR에서 온라인 외부 캘리브레이션을 적용할 경우 달성 가능한 로컬라이제이션 정확도는 어느 정도인가?
• RQ5 센서 노이즈, 네트워크 지연 및 부분적인 LiDAR 고장 등의 실제 환경 조건에서 시스템의 성능은 어떠한가?

주요 결과

• 제안된 탈중앙화 프레임워크는 5대의 LiDAR를 탑재한 UGV에서 실시간으로 차량 상태와 모든 LiDAR 외부 캘리브레이션 파라미터를 성공적으로 수렴하고 추정하였다.
• 두 개의 실제 도시 데이터셋에서 상대 로컬라이제이션 정확도가 0.2%에 도달하였으며, 이는 단일 LiDAR 구성보다 뚜렷이 뛰어난 성능을 보였다.
• Scene-1에서는 최대 상대 오차가 0.21%였고(551.45m 주행 시 절대 오차 1.17m), Scene-2에서는 0.20%였으며(436.47m 주행 시 절대 오차 0.88m).
• 단일 전방 LiDAR 구성은 기하학적 특징이 부족하여 장시간 운행 후 실패했지만, 다중 LiDAR 구성은 일관된 성능을 유지하였다.
• 외부 캘리브레이션 파라미터는 시간이 지남에 따라 안정적으로 수렴하였으며, 초기 추측값이 0이었더라도 자세 및 이동 추정치가 초기 정렬 후 안정화되었다.
• 부분적인 LiDAR 고장 상황에서도 강인성을 입증하였으며, 예를 들어 Fr-Bl-Br 또는 Fr-L-R 구성으로 감소된 LiDAR 수에도 일관된 성능을 유지하였다.