[논문 리뷰] DeepMapping: Unsupervised Map Estimation From Multiple Point Clouds

Li Ding, Chen Feng|arXiv (Cornell University)|2018. 11. 28.

Robotics and Sensor-Based Localization참고 문헌 53인용 수 6

한 줄 요약

DeepMapping는 이질적인 초기 자세에서도 정확한 전역 등록을 가능하게 하는 비지도 학습 기반 딥러닝 프레임워크를 제안한다. 이는 이중 딥 네트워크(L-Net와 M-Net)를 엔드 투 엔드로 훈련시키며, 이는 이진 교차 엔트로피 손실과 캄퍼 거리 손실을 사용한다. 제안된 방법은 시뮬레이션 및 실제 데이터셋 모두에서 ICP 및 다중 등록 기반 방법보다 뛰어난 정확성과 강건성을 보이며, 초기 자세에 민감하지 않다.

ABSTRACT

We propose DeepMapping, a novel registration framework using deep neural networks (DNNs) as auxiliary functions to align multiple point clouds from scratch to a globally consistent frame. We use DNNs to model the highly non-convex mapping process that traditionally involves hand-crafted data association, sensor pose initialization, and global refinement. Our key novelty is that "training" these DNNs with properly defined unsupervised losses is equivalent to solving the underlying registration problem, but less sensitive to good initialization than ICP. Our framework contains two DNNs: a localization network that estimates the poses for input point clouds, and a map network that models the scene structure by estimating the occupancy status of global coordinates. This allows us to convert the registration problem to a binary occupancy classification, which can be solved efficiently using gradient-based optimization. We further show that DeepMapping can be readily extended to address the problem of Lidar SLAM by imposing geometric constraints between consecutive point clouds. Experiments are conducted on both simulated and real datasets. Qualitative and quantitative comparisons demonstrate that DeepMapping often enables more robust and accurate global registration of multiple point clouds than existing techniques. Our code is available at https://ai4ce.github.io/DeepMapping/.

연구 동기 및 목표

• 손으로 만든 특징이나 양호한 초기 자세에 의존하지 않고도 임의의 초기 자세에서부터 다수의 포인트 클라우드를 전역적으로 정렬하는 문제를 해결하기 위해.
• 비볼록이고 연속적인 정렬 문제를 딥 네트워크를 활용한 미분 가능한 이진 점유 분류 과제로 재정의하기 위해.
• 기존의 ICP와 같은 전통적 방법보다 자세 초기화에 덜 민감한 프레임워크를 개발하여 더 강건하고 정확한 전역 정렬을 가능하게 하기 위해.
• 3D 맵핑 및 라이다 SLAM과 같은 기하 시각 작업에 비지도 딥 러닝을 적용할 수 있음을 입증하기 위해.

제안 방법

• 프레임워크는 두 개의 딥 네트워크를 사용한다: L-Net은 각 입력 포인트 클라우드의 6-DoF 자세를 추정하고, M-Net은 전역 3D 좌표의 점유 상태를 예측하여 장면 구조를 모델링한다.
• 정렬 과제는 M-Net이 각 3D 좌표가 점유되어 있는지를 나타내는 확률 맵을 출력함으로써 이진 분류 과제로 변환되며, 이는 기울기 기반 최적화를 가능하게 한다.
• 감독 없이도 작동하는 비지도 손실—점유 예측에 대한 이진 교차 엔트로피(BCE)와 예측된 포인트 클라우드와 진짜 값 간의 캄퍼 거리—를 사용하여 네트워크를 엔드 투 엔드로 훈련시킨다.
• 점유 예측을 통해 역전파가 가능하도록, M-Net의 3D 격자에 포인트 클라우드 레이를 미분 가능한 방식으로 투영하는 전략을 사용한다.
• 훈련 중에 연속된 포인트 클라우드 간의 기하 제약 조건을 도입하여 라이다 SLAM에 프레임워크를 확장한다.
• 최적화는 확률적 경사 하강법을 통해 수행되며, BCE와 캄퍼 거리 손실의 조합을 사용하여 전체 시스템을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 좋은 초기 자세가 필요 없이도 비지도로 훈련된 딥 네트워크가 전역 포인트 클라우드 정렬 문제를 해결할 수 있는가?
• RQ2 복잡하고 비볼록적인 매핑 과정이 딥 러닝을 활용해 미분 가능한 이진 점유 분류 과제로 효과적으로 모델링될 수 있는가?
• RQ3 제안된 비지도 훈련 프레임워크는 전통적인 ICP 및 다중 정렬 방법에 비해 초기 자세에 대한 민감도와 정확성 측면에서 어떻게 비교되는가?
• RQ4 캄퍼 거리 손실을 통합하면, 겹침이 적은 상황에서 정렬 품질이 향상되는가?

주요 결과

• Active Vision Dataset에서의 정성적 결과를 통해 DeepMapping는 ICP 및 다중 정렬 기반 방법보다 더 뛰어난 정확도를 보이며, 겹침이 적은 상황에서도 뛰어난 성능을 발휘한다.
• ICP보다 훨씬 초기 자세에 덜 민감하며, 초기 자세가 불량한 실세계 환경에서도 더 강건한 성능을 보여준다.
• BCE 손실 외에 캄퍼 거리 손실을 통합함으로써, 특히 포인트 클라우드가 희박한 영역에서 정확도가 향상된다.
• Active Vision Dataset에서 DeepMapping는 ATE(Absolute Trajectory Error) 및 포인트 간 거리 측정 기준으로 다중 정렬 방법을 모두 압도하며, 중앙값과 사분위율 범위가 더 낮다.
• 복잡한 실내 환경, 예를 들어 계단과 평면 구조를 포함한 장면에서도, 임의의 초기 자세에서부터 다수의 포인트 클라우드를 정확하게 재구성할 수 있다.
• 시각화 결과는 DeepMapping가 다른 방법이 실패하는 어려운 구조를 정확히 정렬함을 보여주며, 강조된 영역에서의 오차가 없음을 확인할 수 있다.