[논문 리뷰] Cartographer_glass: 2D Graph SLAM Framework using LiDAR for Glass Environments

Lasitha Weerakoon, Gurtajbir Singh Herr외 3명|arXiv (Cornell University)|2022. 12. 16.

Robotics and Sensor-Based Localization인용 수 6

한 줄 요약

이 논문은 LiDAR 기반 환경에서 유리 표면을 경량적인 유리 감지 및 맵핑 방법으로 Google Cartographer를 개선한 2D 그래프 SLAM 프레임워크인 Cartographer_glass를 제안한다. 거의 수직 입사 시 발생하는 강한 강도 스파이크를 이용해 유리 표면을 감지하고, 이를 점유 격자에 통합함으로써, 특히 대규모 유리가 많은 환경에서 기존의 slam_glass(GMapping 기반) 방법보다 더 정확한 맵을 생성한다. 이는 루프 클로징 성능 향상과 드리프트 감소로 이어진다.

ABSTRACT

We study algorithms for detecting and including glass objects in an optimization-based Simultaneous Localization and Mapping (SLAM) algorithm in this work. When LiDAR data is the primary exteroceptive sensory input, glass objects are not correctly registered. This occurs as the incident light primarily passes through the glass objects or reflects away from the source, resulting in inaccurate range measurements for glass surfaces. Consequently, the localization and mapping performance is impacted, thereby rendering navigation in such environments unreliable. Optimization-based SLAM solutions, which are also referred to as Graph SLAM, are widely regarded as state of the art. In this paper, we utilize a simple and computationally inexpensive glass detection scheme for detecting glass objects and present the methodology to incorporate the identified objects into the occupancy grid maintained by such an algorithm (Google Cartographer). We develop both local (submap level) and global algorithms for achieving the objective mentioned above and compare the maps produced by our method with those produced by an existing algorithm that utilizes particle filter based SLAM.

연구 동기 및 목표

• 투명한 표면으로 인해 범위 측정에 오류가 발생하거나 누락되는 유리가 많은 실내 환경에서의 LiDAR 맵핑 정확도 문제를 해결하기 위해.
• 입자 필터 기반 방법에 의존하는 대신, 최적화 기반 SLAM 프레임워크(Google Cartographer)에 유리 감지를 통합하기 위해.
• Cartographer의 실시간 루프 클로징 및 서브맵 최적화 기능을 활용해 대규모 환경에서 맵 정확도와 내성 향상을 위해.
• 실제 유리 환경에서 기존의 유리 인식 SLAM 솔루션, 특히 slam_glass와의 성능을 평가하기 위해.
• 비이상적인 입사 각도나 전역 맵핑 전파의 최적화되지 않은 방식 등으로 인한 감지 누락 등의 현재 유리 감지 및 맵핑 기술의 한계를 규명하기 위해.

제안 방법

• 유리 표면이 센서로 직접 반사되는 거의 수직 입사 각도에서 발생하는 급격한 강도 스파이크를 식별함으로써, 단순한 강도 기반 방법을 사용해 유리 표면을 감지한다.
• 서브맵 구축 및 최적화 과정을 수정하여 유리 기하학적 구조를 유지하도록, 감지된 유리 포인트를 Google Cartographer의 점유 격자에 통합한다.
• 계산 효율성과 맵 정확도의 균형을 맞추기 위해 국소(서브맵 수준) 및 전역(전체 맵 수준)의 유리 맵핑 전략을 모두 구현한다.
• Cartographer의 실시간 루프 클로징 및 그래프 최적화를 적용하여 전역 맵을 정밀하게 보정함으로써, 장거리 복도 및 복잡한 레이아웃에서의 드리프트 감소와 정렬 개선을 달성한다.
• 이중 단계 평가를 수행한다: 첫 번째로, 동일한 데이터에서 Cartographer_glass_lite와 slam_glass의 맵을 비교하고, 두 번째로 실제 건물의 수동으로 레이블링된 바닥도면과 결과를 검증한다.
• 검출된 유리 길이 및 정확도 백분율과 같은 정량적 지표를 사용해 제안된 방법과 기준선인 slam_glass 프레임워크를 비교 평가한다.

실험 결과

연구 질문

• RQ1 Google Cartographer와 같은 최적화 기반 SLAM 프레임워크에 경량 강도 기반 유리 감지 방법을 효과적으로 통합할 수 있는가?
• RQ2 같은 감지 방법을 사용하나 GMapping 기반 SLAM을 사용하는 slam_glass와 비교해 Cartographer_glass의 유리 맵핑 정확도는 어떠한가?
• RQ3 Cartographer의 실시간 루프 클로징는 입자 필터 기반 SLAM에 비해 유리가 많은 환경에서 맵의 일관성 향상과 드리프트 감소에 얼마나 기여하는가?
• RQ4 비수직 입사나 완벽하지 않은 유리 정렬 상황에서 제안된 유리 감지 및 맵핑 시스템의 주요 실패 원인은 무엇인가?
• RQ5 Cartographer_glass의 전역 맵핑 전략은 서브맵 간에 감지된 유리 포인트의 전파 및 지속성을 어떻게 처리하는가?

주요 결과

• Cartographer_glass_lite 프레임워크는 장거리 복도와 다수의 통과가 이루어지는 대규모 환경에서 기존의 slam_glass 알고리즘보다 더 정확한 맵을 생성하였다.
• 건물 1에서 제안된 방법은 118.2미터의 유리를 감지하여 84.0%의 정확도를 달성했으며, slam_glass는 85.9미터를 감지하고도 정확도가 44.5%에 머물렀다. 이는 감지 및 맵핑 정밀도 향상의 증거이다.
• 건물 2에서는 제안된 방법이 49.1미터의 유리를 97.5% 정확도로 감지했고, slam_glass는 107.2미터를 감지했지만 정확도는 44.5%에 그쳤다. 이는 최적화 기반 SLAM의 우수성을 강력하게 보여준다.
• slam_glass 맵은 GMapping에서 실시간 루프 클로징가 부재하여 맵의 왼쪽 측면에서 눈에 띄는 정렬 오류를 보였다. 이는 Cartographer_glass에서는 존재하지 않는 한계이다.
• 개선된 결과에도 일부 유리 패널은 감지되지 않았는데, 이는 비정상적인 입사 각도, 수직이 아닌 유리 정렬, 또는 서브맵 최적화 과정에서 감지 포인트의 흐림 현상으로 인한 것으로 보인다.
• 이 연구는 동일한 감지 논리가 적용되더라도 최적화 기반 SLAM(Cartographer)이 입자 필터 기반 SLAM(GMapping)보다 맵핑 유리 환경에서 정확도와 내성 면에서 뚜렷한 우수성을 보임을 확인한다.