[논문 리뷰] DeepLO: Geometry-Aware Deep LiDAR Odometry

Younggun Cho, Giseop Kim외 1명|arXiv (Cornell University)|2019. 02. 27.

Robotics and Sensor-Based Localization참고 문헌 21인용 수 27

한 줄 요약

이 논문은 ICP를 딥 러닝 프레임워크에 통합하여 지도 학습 및 비지도 학습 방식으로 훈련 가능한 기하학적 인식이 가능한 딥 라이다 오도메트리인 DeepLO를 제안한다. 렌더링된 정점 및 노멀 맵을 입력으로 사용하며, 기하학적 일관성에 기반한 새로운 비지도 학습 손실을 도입하여, 훈련 시 진짜 자세 데이터가 필요 없이 KITTI 및 옥스포드 로봇카 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Recently, learning-based ego-motion estimation approaches have drawn strong interest from studies mostly focusing on visual perception. These groundbreaking works focus on unsupervised learning for odometry estimation but mostly for visual sensors. Compared to images, a learning-based approach using Light Detection and Ranging (LiDAR) has been reported in a few studies where, most often, a supervised learning framework is proposed. In this paper, we propose a novel approach to geometry-aware deep LiDAR odometry trainable via both supervised and unsupervised frameworks. We incorporate the Iterated Closest Point (ICP) algorithm into a deep-learning framework and show the reliability of the proposed pipeline. We provide two loss functions that allow switching between supervised and unsupervised learning depending on the ground-truth validity in the training phase. An evaluation using the KITTI and Oxford RobotCar dataset demonstrates the prominent performance and efficiency of the proposed method when achieving pose accuracy.

연구 동기 및 목표

• 지도 학습 및 비지도 학습 모두에서 효과적으로 작동하는 딥 러닝 기반 라이다 오도메트리 시스템을 개발하는 것.
• 진짜 자세 데이터에 대한 의존도를 줄이기 위해 기하학적 일관성 손실을 기반으로 한 비지도 학습을 가능하게 하는 것.
• 다양한 센서 구성과 환경 조건을 가진 라이다 데이터셋 간의 일반화 및 강인성을 향상시키는 것.
• 원시 포인트 클라우드 대신 서페이스 염색 유사 표현(정점 및 노멀 맵)을 사용하여 높은 정확도와 효율성을 유지하는 것.
• 저궤적 다양성이 있는 데이터셋, 예를 들어 옥스포드 로봇카와 같은 데이터셋 간의 전이 학습을 가능하게 하여 모델의 안정성과 성능을 향상시키는 것.

제안 방법

• 계산 효율성을 높이기 위해 원시 3차원 포인트 클라우드를 직접 처리하는 대신, 렌더링된 정점 및 노멀 맵을 딥 네트워크의 입력으로 사용한다.
• 연속 프레임 간의 기하학적 일관성을 강제하기 위해 정점 및 노멀 맵에 대해 미분 가능한 ICP 유사 손실을 적용한다.
• 두 가지 손실 함수를 정의한다: 진짜 자세 데이터를 사용하는 지도 학습용 손실과, 광학적 및 기하학적 일관성에 기반한 비지도 학습용 손실.
• 진짜 자세 데이터의 가용성에 따라 자동으로 전환되는 방식으로, 지도 학습 또는 비지도 학습 손실을 사용해 네트워크를 엔드 투 엔드로 훈련한다.
• 전이 학습을 위해 KITTI 데이터셋에서 미리 훈련된 가중치로 네트워크를 초기화하여 옥스포드 로봇카 데이터셋에서의 성능 향상을 도모한다.
• 표준 궤적 평가 지표를 사용해 시스템을 평가하며, 이는 절대 궤적 오차(ATE) 및 상대 이동/방향 오차를 포함한다.

실험 결과

연구 질문

• RQ1 훈련 시 진짜 자세 데이터가 필요 없이도 딥 러닝 기반 라이다 오도메트리 시스템이 높은 정확도를 달성할 수 있는가?
• RQ2 정점 및 노멀 맵을 입력 표현으로 사용할 경우 라이다 오도메트리에서 기하학적 정보를 얼마나 잘 유지할 수 있는가?
• RQ3 통합된 훈련 파이프라인을 통해 라이다 오도메트리에서 지도 학습과 비지도 학습을 동시에 지원할 수 있는가?
• RQ4 기하학적 일관성에 기반한 제안된 비지도 학습 손실이 지도 학습 기반 베이스라인 대비 자세 추정 정확도에서 얼마나 효과적인가?
• RQ5 전이 학습이 궤적 다양성이 제한된 데이터셋에서 성능 향상에 얼마나 기여하는가?

주요 결과

• 옥스포드 로봇카 데이터셋에서, DeepLO-U(비지도)는 Short 시퀀스에서 절대 궤적 오차(ATE) 6.78 m를 기록하여 동일한 시퀀스에서 4.22 m를 기록한 스테레오 시각 오도메트리 기준선을 초월했다.
• 2014-05-14-13-50-20 시퀀스(Alternate 시퀀스)에서 DeepLO-U는 ATE 19.93 m를 기록했으며, 이는 스테레오 시각 오도메트리 기준선의 37.74 m보다 유의미하게 낮았다.
• 동일한 데이터셋에서 DeepLO-S(지도)는 Alternate 시퀀스에서 ATE 14.71 m를 기록하여, 진짜 자세 지도를 사용함에도 불구하고 뛰어난 성능을 보였다.
• 비지도 버전의 DeepLO는 여러 시퀀스에서 스테레오 시각 오도메트리보다 유사하거나 더 뛰어난 성능을 기록하여 실제 환경 조건에서의 강인성을 입증했다.
• 전이 학습은 특히 궤적 다양성이 낮은 시퀀스에서 옥스포드 로봇카 데이터셋에서 훈련의 안정성과 성능 향상에 크게 기여했다.
• 이 방법은 옥스포드 로봇카 데이터셋에서 10km 궤적을 비지도 방식으로 성공적으로 추정하여 확장성과 장기적 일관성을 입증했다.