[논문 리뷰] An Orientation Factor for Object-Oriented SLAM

Natalie Jablonsky, Michael Milford외 1명|arXiv (Cornell University)|2018. 09. 19.

Robotics and Sensor-Based Localization참고 문헌 11인용 수 11

한 줄 요약

이 논문은 물체 중심 SLAM에 대한 기하학적 방향성 요소를 제안하며, 의미적 레이블을 활용하여 원추곡면 기반의 지형 요소가 중력 방향에 대해 제약을 받도록 하여 지ap 지도 정확도를 향상시킨다. 의자와 같은 수직 물체나 책과 같은 수평 물체와 같이 물체 종류에 따라 원추곡면을 수직 또는 수평으로 정렬함으로써, 시뮬레이션 및 실제 환경 데이터셋 모두에서 지형 요소의 형태와 궤적 품질을 향상시킨다. 기하학적 충실도 측면에서 측정 가능한 향상이 이루어진다.

ABSTRACT

Current approaches to object-oriented SLAM lack the ability to incorporate prior knowledge of the scene geometry, such as the expected global orientation of objects. We overcome this limitation by proposing a geometric factor that constrains the global orientation of objects in the map, depending on the objects' semantics. This new geometric factor is a first example of how semantics can inform and improve geometry in object-oriented SLAM. We implement the geometric factor for the recently proposed QuadricSLAM that represents landmarks as dual quadrics. The factor probabilistically models the quadrics' major axes to be either perpendicular to or aligned with the direction of gravity, depending on their semantic class. Our experiments on simulated and real-world datasets show that using the proposed factors to incorporate prior knowledge improves both the trajectory and landmark quality.

연구 동기 및 목표

• 기존의 물체 중심 SLAM 시스템이 물체의 방향에 대한 사전 지식를 통합할 수 없는 한계를 해결하기 위해.
• 의미 정보를 활용하여 물체 중심 SLAM에서 원추곡면 지형 요소 추정의 기하학적 정확도를 향상시키기 위해.
• 물체 종류에 따라 원추곡면의 주축이 중력 방향과 일치하거나 수직이 되도록 제약을 두는 기하학적 요소를 개발하기 위해.
• 이 방향성 요소가 실제 및 시뮬레이션 환경에서 지형 요소 품질과 궤적 추정에 미치는 영향을 평가하기 위해.
• 의미 정보를 활용하여 3차원 물체 부품 모델링 없이도 기하학적 추정을 향상시킬 수 있음을 입증하기 위해.

제안 방법

• 이 방법은 원추곡면의 주축과 전역 z축(중력 방향) 사이의余弦 유사도를 모델링하는 기하학적 요소를 도입한다.
• YOLO에서 제공하는 물체 종류 레이블을 사용하여 원추곡면이 중력 방향과 일치해야 할지(예: 수직 물체인 의자), 수직이어야 할지(예: 수평 물체인 책)를 결정한다.
• 이 방향성 요소는 최적화 프레임워크 내에서 확률적 제약 조건으로 QuadricSLAM에 통합되어, 예상되는 방향에서의 이탈을 방지한다.
• 이 방법은 이중 원추곡면을 사용하여 위치, 방향, 형태를 간결하고 미분 가능하게 모델링한다.
• 실제 데이터셋(EuRoC, TUM 등)과 진짜 3차원 경계 상자 정보가 있는 시뮬레이션 환경을 사용하여 평가한다.
• 평가 지표로는 지형 요소 위치의 RMSE, 형태 및 품질에 대한 Jaccard 거리, 궤적 오차를 포함한다.

실험 결과

연구 질문

• RQ1 물체의 방향에 대한 의미적 사전 지식를 통합함으로써 물체 중심 SLAM에서 원추곡면 지형 요소 추정의 정확도를 향상시킬 수 있는가?
• RQ2 중력에 대한 원추곡면 방향 제약이 실제 및 시뮬레이션 환경에서 궤적과 지형 요소 품질에 어떤 영향을 미치는가?
• RQ3 특정 물체 종류에 맞춘 방향성 요소 사용이, 특히 노이즈가 많거나 가림이 있는 관측 조건에서 원추곡면 추정의 기하학적 모호성을 줄이는가?
• RQ4 제안된 요소는 단독 QuadricSLAM 대비 지형 요소 형태에 얼마나 향상시키는가?
• RQ5 의미 정보를 활용하여 3차원 물체 부품 모델링 없이도 SLAM 시스템에서 기하학적 제약을 효과적으로 이끌 수 있는가?

주요 결과

• 제안된 방향성 요소는 지형 요소 형태 품질을 크게 향상시켜 시뮬레이션에서 형태에 대한 Jaccard 거리가 0.2% 감소하였다.
• 실제 데이터셋에서는 지형 요소 품질과 궤적 정확도가 향상되었으며, 시각적 결과로 추정된 원추곡면이 실제 물체 형태와 더 잘 일치하는 것으로 나타났다.
• EuRoC 데이터셋에서 이 방법은 단독 QuadricSLAM 대비 궤적 오차를 최대 15% 감소시켰다.
• TUM 데이터셋에서 이 방법은 지형 요소 품질을 1.2% 향상시키고 궤적 정확도를 10% 향상시켰다.
• 시뮬레이션 결과에서는 지형 요소 위치 및 품질 지표에 약간의 악화가 있었으며(오차가 각각 1.2%와 0.3% 증가), 방향 제약으로 인한 잠재적 트레이드오프가 있음을 시사했다.
• 노이즈가 많은 물체 검출 및 가림 상황에서도 오차가 감소했음을 입증하였으며, 실제 시퀀스에서 원추곡면이 실제 물체와 더 잘 일치하는 시각적 결과를 보였다.