[논문 리뷰] BALM: Bundle Adjustment for Lidar Mapping

Zheng Liu, Fu Zhang|arXiv (Cornell University)|2020. 10. 16.

Robotics and Sensor-Based Localization참고 문헌 41인용 수 4

한 줄 요약

이 논문은 LiDAR SLAM를 위한 새로운 번들 조정 방법인 BALM을 제안한다. 이 방법은 특징점이 매칭된 선 또는 평면으로부터의 거리를 최소화하는 방식으로 최적화를 수립하며, 특징 매개변수를 해석적으로 해결하여 최적화 차원을 감소시킨다. 이는 닫힌형 도함수와 적응형 바이트화를 활용하여 실시간으로 고정밀도 지ap 개선을 가능하게 하며, 특히 작은 시야각(FoV) LiDAR를 사용하는 도전적인 환경에서도 드리프트를 크게 줄인다.

ABSTRACT

A local Bundle Adjustment (BA) on a sliding window of keyframes has been widely used in visual SLAM and proved to be very effective in lowering the drift. But in lidar SLAM, BA method is hardly used because the sparse feature points (e.g., edge and plane) make the exact point matching impossible. In this paper, we formulate the lidar BA as minimizing the distance from a feature point to its matched edge or plane. Unlike the visual SLAM (and prior plane adjustment method in lidar SLAM) where the feature has to be co-determined along with the pose, we show that the feature can be analytically solved and removed from the BA, the resultant BA is only dependent on the scan poses. This greatly reduces the optimization scale and allows large-scale dense plane and edge features to be used. To speedup the optimization, we derive the analytical derivatives of the cost function, up to second order, in closed form. Moreover, we propose a novel adaptive voxelization method to search feature correspondence efficiently. The proposed formulations are incorporated into a LOAM back-end for map refinement. Results show that, although as a back-end, the local BA can be solved very efficiently, even in real-time at 10Hz when optimizing 20 scans of point-cloud. The local BA also considerably lowers the LOAM drift. Our implementation of the BA optimization and LOAM are open-sourced to benefit the community.

연구 동기 및 목표

• 희박하고 반복되지 않는 점군으로 인해 LiDAR SLAM에서 효과적인 번들 조정이 부족한 문제를 해결하기 위해.
• 특징점이 매칭된 선 또는 평면으로부터의 거리를 최소화하는 방식으로 LiDAR BA를 수립하여 특징 위치를 함께 최적화할 필요 없이도 되도록 하기 위해.
• 선과 평면의 매개변수를 해석적으로 해결함으로써 최적화 복잡도를 감소시키고 최적화 변수를 스캔 자세로만 유지하기 위해.
• 닫힌형 도함수와 헤시안 행렬을 유도함으로써 최적화 차원을 줄여 대규모 밀도 높은 특징 지도에서 실시간 성능을 달성하기 위해.
• 특징이 부족하거나 작은 시야각 환경에서 LOAM 기반 시스템의 매핑 일관성 향상과 드리프트 감소를 위해.

제안 방법

• 특징점이 매칭된 선 또는 평면으로부터의 수직 거리를 최소화하는 방식으로 LiDAR BA를 수립하며, 정확한 점 대응을 강제하지 않는다.
• 선과 평면의 매개변수를 닫힌형으로 해석적으로 해결하여 최적화에서 분리하고 변수 공간을 스캔 자세로만 축소한다.
• 비용 함수의 스캔 자세에 대한 1차 및 2차 도함수(기울기 및 헤시안)를 분석적으로 유도하여 가우스-뉴턴 최적화의 효율성을 높인다.
• 지역 점 밀도에 따라 볼륨 크기를 동적으로 조정함으로써 특징 대응 검색을 가속화하는 적응형 바이트화 방법을 도입한다.
• 슬라이딩 윈도우 20개의 스캔을 사용하여 맵을 개선하기 위해 제안된 BA를 LOAM 프레임워크의 백엔드로 통합한다.
• 최근 스캔의 자세만 최적화하는 포즈 그래프 최적화 전략을 적용하여 계산 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 희박하고 반복되지 않는 점군으로 인해 LiDAR SLAM에 번들 조정를 효과적으로 적용할 수 있는가?
• RQ2 LiDAR BA에서 선과 평면의 매개변수를 해석적으로 해결할 수 있는가? 이는 최적화 차원을 감소시키는 데 기여하는가?
• RQ3 비용 함수의 닫힌형 도함수는 LiDAR BA에서 빠르고 실시간 최적화를 가능하게 하는가?
• RQ4 제안된 적응형 바이트화 방법은 정확도를 희생시키지 않고 특징 대응 검색을 얼마나 효과적으로 가속화하는가?
• RQ5 BA를 백엔드로 통합함으로써 LOAM 기반 시스템에서 드리프트를 크게 줄일 수 있는가? 특히 작은 시야각이나 특징이 없는 환경에서 효과적인가?

주요 결과

• 제안된 BALM 방법은 20개의 LiDAR 스캔 윈도우를 최적화할 때 10Hz의 실시간 성능을 달성하여 온라인 배포의 가능성을 입증한다.
• 선과 평면의 매개변수를 해석적으로 해결함으로써 최적화 스케일이 극적으로 감소하여 밀도 높은 선 및 평면 특징의 사용이 가능해졌다.
• LOAM 기반 매핑에서 드리프트가 크게 감소했으며, 이는 스핀닝 LiDAR와 Livox Horizon와 같은 작은 시야각 LiDAR에서 검증되었다.
• 적응형 바이트화 방법은 대응 검색 효율성을 향상시켜 전체적인 실시간 성능에 기여했다.
• 비용 함수의 닫힌형 도함수 덕분에 가우스-뉴턴 최적화에서 빠르고 안정적인 수렴이 가능해져 강건성이 향상되었다.
• BALM과 LOAM의 오픈소스 구현은 커뮤니티가 LiDAR SLAM 시스템을 확장하고 개선하는 데 있어 귀중한 자원을 제공한다.