[논문 리뷰] A Survey on 3D LiDAR Localization for Autonomous Vehicles

Mahdi Elhousni, Xinming Huang|arXiv (Cornell University)|2020. 06. 01.

Robotics and Sensor-Based Localization참고 문헌 57인용 수 4

한 줄 요약

이 종합 검토는 자율 주행 차량을 위한 3D LiDAR 기반 국소화 방법을 검토하며, 이를 3D 정합, 특징 기반, 딥 러닝 기반 접근 방식으로 분류한다. 연구 결과, 벤치마크 데이터셋에서 딥 러닝 방법은 뛰어난 성능을 보이지만, 속도와 신뢰성 측면에서 전통적인 방법인 LOAM가 실시간 구현에 더 실용적임을 확인하였다.

ABSTRACT

LiDAR sensors are becoming one of the most essential sensors in achieving full autonomy for self driving cars. LiDARs are able to produce rich, dense and precise spatial data, which can tremendously help in localizing and tracking a moving vehicle. In this paper, we review the latest finding in 3D LiDAR localization for autonomous driving cars, and analyse the results obtained by each method, in an effort to guide the research community towards the path that seems to be the most promising.

연구 동기 및 목표

• 자율 주행을 위한 최근 3D LiDAR 국소화 기술의 발전을 검토하고 분석하는 것.
• KITTI 오도메트리 벤치마크에서 3D 정합, 특징 기반, 딥 러닝 기반 방법의 성능을 비교하는 것.
• 이러한 방법의 실세계 적용 가능성, 특히 효율성과 내구성 측면에서 평가하는 것.
• 정확하고 실시간 국소화를 위한 가장 유망한 방향을 규명함으로써 향후 연구를 이끌어내는 것.

제안 방법

• 3D LiDAR 국소화를 3가지 주요 접근 방식으로 분류: 3D 정합, 3D 특징 추출, 딥 러닝 기반 방법.
• 반복적으로 가장 가까운 점(Iterative Closest Point, ICP) 및 그 변종(점-면 ICP, 일반화된 ICP)과 함께, 정규 벡터 공분산 필터 및 기하학적 대응 관계 기각기 등을 활용한 특징 추출 기법을 검토.
• PointNet++를 활용한 특징 추출과 잔차 보정을 학습하여 오도메트리 추정을 향상시키는 L3-Net 및 DeepICP와 같은 딥 러닝 모델을 분석.
• 기하학적 일관성, 오도메트리 회귀, 교차 엔트로피를 조합한 다중 손실 학습 전략을 딥 러닝 모델에 적용.
• 평가를 위해 KITTI 오도메트리 데이터셋을 사용하며, 사전 처리된 LiDAR 스캔과 GPS/INS 참조값이 제공된 시퀀스에 집중.
• 학습 및 테스트 분할 모두에서 결과를 비교하며, 루프 클로징 기능을 갖춘 방법은 제외하여 핵심 국소화 성능에 대한 공정한 비교를 확보.

실험 결과

연구 질문

• RQ1 3D 정합 기반 방법은 LiDAR 국소화에서 정확도와 계산 효율성 측면에서 어떻게 성능을 보이는가?
• RQ2 실세계 자율 주행 환경에서 3D 특징 기반 방법의 강점과 한계는 무엇인가?
• RQ3 딥 러닝 기반 접근 방식은 기존 방법 대비 국소화 정확도를 얼마나 향상시키는가?
• RQ4 강력한 벤치마크 성능에도 불구하고, 최첨단 딥 러닝 모델은 왜 여전히 실시간 구현에서 뒤처지는가?
• RQ5 기존 방법인 LOAM가 딥 러닝 대안보다 실세계 자율 주행 차량 구현에 더 적합한 요소는 무엇인가?

주요 결과

• DeepICP는 KITTI 학습 데이터셋에서 평균 성능이 가장 뛰어나 다른 방법들보다 국소화 정확도에서 뛰어난 성능을 보였다.
• 강력한 학습 성능에도 불구하고, DeepICP는 프레임당 약 2초가 소요되어 실시간 자율 주행 차량 운영에 부적합하다.
• LOAM 및 그 변종은 정확도, 속도, 실세계 조건에서의 내구성의 균형을 고려할 때 가장 신뢰성 있고 구현 가능한 솔루션으로 남아 있다.
• 딥 러닝 기반 방법은 높은 잠재력을 보이지만, KITTI 테스트 세트에서의 일반화 능력이 아직 입증되지 않아 최첨단 성능을 주장하기에 제한이 있다.
• 특징 기반 방법인 LOAM는 효율성과 안정성 덕분에 특히 동적인 실외 환경에서 강력한 성능을 유지한다.
• 딥 러닝 모델의 테스트 세트 결과가 부족하여 강력한 학습 성능에도 불구하고 실세계 적용 가능성에 대한 확실한 결론을 내릴 수 없다.