[논문 리뷰] A White-Noise-On-Jerk Motion Prior for Continuous-Time Trajectory Estimation on SE(3)

Tim Y. Tang, David J. Yoon외 1명|arXiv (Cornell University)|2018. 09. 17.

Time Series Analysis and Forecasting인용 수 4

한 줄 요약

이 논문은 연속 시간 궤적 추정을 위한 SE(3)에서의 화이트노이즈-온-저크(WNOJ) 운동 사전을 제안하며, 기존의 표준 화이트노이즈-온-가속도(WNOA) 사전보다 개선된 성능을 보인다. 가속도가 일정해지도록 사전 평균을 모델링함으로써, 비영인 가속도를 포함한 궤적에서 편향을 감소시키고 정확도를 향상시킨다. 특히 실세계 라이다 데이터셋에서 WNOA 대비 최대 9%의 오차 감소를 달성한다.

ABSTRACT

Simultaneous trajectory estimation and mapping (STEAM) offers an efficient approach to continuous-time trajectory estimation, by representing the trajectory as a Gaussian process (GP). Previous formulations of the STEAM framework use a GP prior that assumes white-noise-on-acceleration, with the prior mean encouraging constant body-centric velocity. We show that such a prior cannot sufficiently represent trajectory sections with non-zero acceleration, resulting in a bias to the posterior estimates. This paper derives a novel motion prior that assumes white-noise-on-jerk, where the prior mean encourages constant body-centric acceleration. With the new prior, we formulate a variation of STEAM that estimates the pose, body-centric velocity, and body-centric acceleration. By evaluating across several datasets, we show that the new prior greatly outperforms the white-noise-on-acceleration prior in terms of solution accuracy.

연구 동기 및 목표

• 운동 사전가 비영인 가속도를 표현할 수 없을 때 연속 시간 궤적 추정의 편향을 해결하기 위해.
• 도심 주행과 같은 역동적인 운동 상황에서 가우시안 프로세스 기반 궤적 추정의 정확도를 향상시키기 위해.
• 백색 잡음이 저크에 작용하는 가정을 바탕으로 한 새로운 운동 사전을 유도하고 검증하기 위해.
• 운동 왜곡이 있는 실세계 라이다 데이터셋에서 새로운 사전이 표준 화이트노이즈-온-가속도 사전보다 우수한 성능을 보임을 입증하기 위해.
• 상태 벡터에 가속도를 포함시켜 더 정확한 연속 시간 자세 및 속도 추정을 가능하게 하기 위해.

제안 방법

• 백색 잡음이 저크에 작용하는 가정을 바탕으로 새로운 확률적 미분 방정식(SDE)을 유도하여 WNOJ 사전를 도출한다.
• STEAM 프레임워크를 확장하여 상태 벡터에 바디 기준 가속도를 포함시켜 자세, 속도, 가속도의 동시 추정을 가능하게 한다.
• WNOJ SDE에서 유도된 커널을 사용하는 연속 시간 가우시안 프로세스 사전를 적용하여 부드럽고 물리적으로 타당한 궤적 사전를 확보한다.
• 배치 최적화를 통해 추정 문제를 해결하며, 계산 효율성을 확보하기 위해 역 커널 행렬의 희박성 유지한다.
• 공정한 비교를 위해 KITTI 학습 세트를 사용해 프로세스 노이즈 공분산 행렬 $\mathbf{Q}_c$ 를 튜닝하고, 모든 데이터셋에 동일하게 적용한다.
• 연속 시간 GP 사후분포에서 유도된 보간된 자세를 사용해 포인트 클라우드 정렬을 수행하여 스캐닝 라이다 데이터의 운동 왜곡을 보정한다.

실험 결과

연구 질문

• RQ1 화이트노이즈-온-저크 운동 사전는 표준 화이트노이즈-온-가속도 사전보다 연속 시간 궤적 추정에서 편향을 줄일 수 있는가?
• RQ2 사전에 일정 가속도를 모델링하면 실세계 라이다 데이터셋에서 비균일한 운동 상황에서 정확도가 향상되는가?
• RQ3 상태 벡터에 가속도를 포함시키는 것이 추정 성능과 계산 비용에 어떤 영향을 미치는가?
• RQ4 운동 왜곡이 있는 라이다 데이터에서 WNOJ 사전는 WNOA 대비 얼마나 더 우수한 궤적 추정 성능을 보이는가?
• RQ5 새로운 사전는 도심, 근교, 고속도로 환경을 포함한 다양한 주행 시나리오에 일반화 가능한가?

주요 결과

• 유니버시티 오브 토론토 데이터셋에서는 WNOJ 사전가 전체 궤적 오차를 9% 감소시켰다. 이 데이터셋은 도심 주행에서 빈번한 가속도 변화를 포함한다.
• 리치몬드 힐 데이터셋에서는 신규 추정기로 기준 WNOA 추정기 대비 전체 오차가 8.4% 감소하였다.
• 회전 및 교차로에서 감속하는 고역동성 운동을 포함한 시퀀스에서는 WNOJ 사전가 궤적 정확도를 크게 향상시켰다.
• 3D 궤적 플롯을 통해 운동 왜곡이 있는 포인트 클라우드에서 온도미터 추정의 편향이 감소한 것으로 확인되었다.
• 상태 벡터에 가속도를 포함시킴으로써 최적화 비용이 50% 증가했지만, 다른 구성 요소의 비용이 일정하므로 총 실행 시간 증가율은 미미했다.
• WNOJ 사전는 프로세스 노이즈 공분산 $\mathbf{Q}_c$ 에 더 민감했지만, KITTI 데이터셋에서의 튜닝만으로도 모든 테스트 데이터셋에서 일관된 성능 향상을 얻었다.