[논문 리뷰] CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description

Deyu Yin, Qian Zhang외 7명|arXiv (Cornell University)|2020. 01. 06.

Robotics and Sensor-Based Localization참고 문헌 49인용 수 21

한 줄 요약

CAE-LO는 구형 링 투영에 대해 2D 컨volution 오토에인코더(CAE)를 사용하여 관심 점을 탐지하고, 3D CAE를 활용해 다중 해상도 볼록 특징을 추출하는 완전히 비지도 기반 LiDAR 온도메트리 시스템을 제안한다. KITTI 데이터셋에서 기존 최고 수준의 방법들보다 50퍼센트 이상 높은 매칭 내재 비율을 달성하며, 关键 프레임 선택, 온도메트리 정밀 조정 및 뒷면 자세 업데이트를 통해 비정형 환경에서도 성능 향상을 이룬다.

ABSTRACT

As an important technology in 3D mapping, autonomous driving, and robot navigation, LiDAR odometry is still a challenging task. Appropriate data structure and unsupervised deep learning are the keys to achieve an easy adjusted LiDAR odometry solution with high performance. Utilizing compact 2D structured spherical ring projection model and voxel model which preserves the original shape of input data, we propose a fully unsupervised Convolutional Auto-Encoder based LiDAR Odometry (CAE-LO) that detects interest points from spherical ring data using 2D CAE and extracts features from multi-resolution voxel model using 3D CAE. We make several key contributions: 1) experiments based on KITTI dataset show that our interest points can capture more local details to improve the matching success rate on unstructured scenarios and our features outperform state-of-the-art by more than 50% in matching inlier ratio; 2) besides, we also propose a keyframe selection method based on matching pairs transferring, an odometry refinement method for keyframes based on extended interest points from spherical rings, and a backward pose update method. The odometry refinement experiments verify the proposed ideas' feasibility and effectiveness.

연구 동기 및 목표

• 정답 데이터에 의존하지 않는 완전히 비지도 기반 LiDAR 온도메트리 시스템을 개발하는 것.
• 기존 방법이 어려움을 겪는 비정형 환경에서의 매칭 성능 향상.
• 오토에인코딩 아키텍처를 활용해 특징 표현 및 관심 점 탐지 향상.
• 매칭 쌍의 이동성과 자세 정밀 조정에 기반한 관건 프레임 선택 전략을 도입해 궤적 정확도 향상.
• 뒤집힌 자세 업데이트 및 확장된 관심 점 정밀 조정의 타당성과 효과성 검증.

제안 방법

• 2D 구형 링 투영을 사용해 LiDAR 스캔의 공간적 구조를 유지하여 2D 컨volution 오토에인코더(CAE)에 입력함으로써 비지도 기반 관심 점 탐지.
• 다중 해상도 볼록화된 점군에 3D 컨볼루션 오토에인코더(CAE)를 적용해 강력하고 계층적인 특징 표현을 학습.
• 2D CAE를 통해 구형 링 데이터를 재구성함으로써 관심 점을 탐지하고, 재구성 오차를 활용해 주목할 만한 영역 식별.
• 연속 프레임 간 매칭 쌍의 이동성을 기반으로 한 관건 프레임 선택 메커니즘 도입으로 중복성 감소 및 효율성 향상.
• 구형 링 투영에서 유도된 확장된 관심 점을 활용해 온도메트리 정밀 조정을 수행해 자세 추정 정확도 향상.
• 뒤이은 프레임 정보를 활용해 이전 자세를 재평가함으로써 궤적을 정밀 조정하는 뒷면 자세 업데이트 전략 적용.

실험 결과

연구 질문

• RQ1 완전히 비지도 기반 2D CAE가 정답 데이터가 없는 상황에서 LiDAR 데이터의 관심 점을 효과적으로 탐지할 수 있는가?
• RQ2 3D CAE를 활용한 다중 해상도 볼록화된 데이터가 LiDAR 온도메트리의 특징 표현에 어떻게 기여하는가?
• RQ3 매칭 쌍의 이동성에 기반한 제안된 관건 프레임 선택 방법이 계산 효율성과 정확도에 얼마나 기여하는가?
• RQ4 구형 투영에서 유도된 확장된 관심 점을 활용한 온도메트리 정밀 조정이 궤적 이격 현상을 뚜렷이 줄일 수 있는가?
• RQ5 뒤집힌 자세 업데이트 메커니즘이 최종 궤적 정확도 향상에 측정 가능한 기여를 하는가?

주요 결과

• 제안된 관심 점 탐지 방법은 더 많은 局부 기하학적 세부 정보를 포착하여 비정형 환경에서의 매칭 성공률을 크게 향상시킨다.
• 3D CAE 기반 특징 서술자에서 KITTI 데이터셋에서 기존 최고 수준의 방법보다 매칭 내재 비율이 50퍼센트 이상 높게 성능을 발휘한다.
• 매칭 쌍 이동성에 기반한 관건 프레임 선택 방법은 중복 처리를 감소시키면서도 높은 정확도를 유지한다.
• 구형 링 투영에서 유도된 확장된 관심 점을 활용한 온도메트리 정밀 조정은 궤적 이격 감소에 명백한 타당성과 효과성을 보여준다.
• 뒤집힌 자세 업데이트 메커니즘이 전체 궤적의 일관성과 정확도 향상에 기여한다.