[논문 리뷰] CARLA-Loc: Synthetic SLAM Dataset with Full-stack Sensor Setup in Challenging Weather and Dynamic Environments

Yuhang Han, Zhengtao Liu외 5명|arXiv (Cornell University)|2023. 09. 16.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

CARLA-Loc는 다양한 기상 조건과 동적 환경에서 제어 가능하고 반복 가능한 SLAM 알고리즘 평가를 가능하게 하는 합성 SLAM 데이터셋으로, CARLA 시뮬레이터에서 생성되었으며, LiDAR, 카메라, IMU, 이벤트 카메라를 포함한 완전한 스택 센서 융합과 7개의 지도 및 42개의 시퀀스에서 정밀한 校정을 제공한다. 이 데이터셋은 어려운 환경에서 정위치 측정 정확도를 향상시키기 위해 IMU 통합 및 의미 분할 기반의 동적 객체 제거 기법이 효과적임을 입증한다.

ABSTRACT

The robustness of SLAM (Simultaneous Localization and Mapping) algorithms under challenging environmental conditions is critical for the success of autonomous driving. However, the real-world impact of such conditions remains largely unexplored due to the difficulty of altering environmental parameters in a controlled manner. To address this, we introduce CARLA-Loc, a synthetic dataset designed for challenging and dynamic environments, created using the CARLA simulator. Our dataset integrates a variety of sensors, including cameras, event cameras, LiDAR, radar, and IMU, etc. with tuned parameters and modifications to ensure the realism of the generated data. CARLA-Loc comprises 7 maps and 42 sequences, each varying in dynamics and weather conditions. Additionally, a pipeline script is provided that allows users to generate custom sequences conveniently. We evaluated 5 visual-based and 4 LiDAR-based SLAM algorithms across different sequences, analyzing how various challenging environmental factors influence localization accuracy. Our findings demonstrate the utility of the CARLA-Loc dataset in validating the efficacy of SLAM algorithms under diverse conditions.

연구 동기 및 목표

• 동적 환경과 악천후 조건에서 SLAM의 강건성 평가를 위한 제어 가능하고 반복 가능한 벤치마크 데이터셋의 부족을 해결하기 위해.
• 일관된 자가 운동 궤적을 갖춘 합성 데이터셋을 제공하여 다양한 환경적 요란에 대비한 공정한 알고리즘 비교를 가능하게 하기 위해.
• 지상 진실값 주석을 활용하여 기상 조건, 동적 객체, 센서 융합이 SLAM 성능에 미치는 영향을 정량적으로 분석할 수 있도록 하기 위해.
• 의미 분할 레이블을 제공함으로써 동적 인식 기반 LiDAR SLAM 연구를 지원하기 위해.
• 실제와 유사하지만 제어 가능한 도전 과제 하에서 시각, LiDAR, 다중 센서 SLAM 알고리즘을 평가하기 위한 표준화된 벤치마크를 제공하기 위해.

제안 방법

• 동일한 자가 운동 궤적을 갖는 7개의 다양한 지도(도시, 농촌, 고속도로)에서 CARLA 시뮬레이터를 사용해 총 42개의 시퀀스를 생성하였다.
• 스테레오 카메라, 깊이 카메라, 이벤트 카메라, LiDAR, IMU를 포함한 완전한 스택 센서를 통합하였으며, 엄격한 校정, 동기화 및 타임스탬프 처리를 수행하였다.
• 스테레오 이미지와 LiDAR 포인트 클라우드 양쪽에 지상 진실값 의미 분할을 적용하여, 평가를 위한 동적 객체 포인트 제거를 가능하게 하였다.
• 자기 운동 궤적을 유지하면서 기상 조건(맑음, dense 안개, 비)과 동적 객체 수준(정적, 동적)을 제어하여 일관된 환경 변화를 구현하였다.
• CARLA 레코더 기능을 사용하여 다양한 기상 조건과 동적 시나리오에서도 동일한 궤적을 확보함으로써 공정한 성능 비교를 가능하게 하였다.
• 5개의 시각 기반 및 4개의 LiDAR 기반 SLAM 알고리즘을 시퀀스 전반에 걸쳐 평가하여 원본, 분할된, IMU 보정 결과를 비교하였다.

실험 결과

연구 질문

• RQ1 안개, 비와 같은 다양한 기상 조건이 시각 및 LiDAR 기반 SLAM 알고리즘의 정위치 측정 정확도에 어떤 영향을 미치는가?
• RQ2 자동차, 보행자 등의 동적 객체는 SLAM 성능을 얼마나 악화시키며, 이를 어떻게 완화할 수 있는가?
• RQ3 IMU 데이터 통합이 동적 환경과 악천후 조건에서 SLAM 시스템의 강건성에 어떤 영향을 미치는가?
• RQ4 의미 분할 기반으로 동적 객체의 포인트를 제거한 전처리가 정위치 측정 정확도에 어떤 영향을 미치는가?
• RQ5 특징 기반 방법과 비교해 직접 LiDAR 오도메트리 방법(Fast-LIO 등)은 동적 및 악천후 조건에서 어떤 정도의 강건성을 보이는가?

주요 결과

• 동적 객체의 존재는 SLAM 시스템의 상대 자세 오차를 크게 증가시키며, A-LOAM과 LeGO-LOAM은 지도 07에서 동적 조건에서 최대 147.27 mm의 오차를 기록하였다.
• IMU 통합은 정위치 오차를 크게 감소시켰다: FAST-LIO(F)는 지도 07에서 동적 시퀀스에서 1.95 mm의 상대 자세 오차를 기록하였고, IMU 없이 사용할 경우 16.72 mm로 상당히 높았다.
• 의미 분할 기반의 동적 포인트 제거로 A-LOAM의 오차는 원본 동적 데이터의 16.72 mm에서 5.97 mm로 감소하여 명확한 향상이 확인되었다.
• 특징 추출 없이 직접 LiDAR 오도메트리 방법인 FAST-LIO2는 동적 간섭에 대해 뛰어난 강건성을 보였으며, 대부분의 시퀀스에서 특징 기반 변종보다 뛰어난 성능을 보였다.
• LeGO-LOAM는 지상 평면 특징에 의존하기 때문에 동적 객체에 가장 민감했으며, 동적 환경에서 가장 높은 오차 증가(최대 147.27 mm)를 보였다.
• 악천후 조건에서는 시각 SLAM 성능이 심각하게 저하되었으며, 특히 고도의 동적 콘텐츠가 포함된 시퀀스에서 비나 안개 조건에서 더 높은 상대 자세 오차가 관찰되었다.