[논문 리뷰] Exploiting Sparse Semantic HD Maps for Self-Driving Vehicle Localization

Wei-Chiu Ma, Ignacio Tartavull외 8명|arXiv (Cornell University)|2019. 08. 08.

Robotics and Sensor-Based Localization참고 문헌 43인용 수 7

한 줄 요약

이 논문은 차선 경계와 교통 표지판을 포함한 희박한 의미적 고정밀도 지ap을 활용하여 GPS 및 차량 동역학 정보와 융합함으로써 기존 LiDAR 강도 또는 3D 포인트 클라우드 지도에 비해 저장 용량의 0.3%만을 차지하면서도 센티미터 수준의 정밀도를 달성하는 베이지안 필터 기반 로컬라이제이션 시스템을 제안한다. 이 방법은 단지 0.55 MiB/km²의 지도 저장 용량으로 고속도로에서 실시간으로 안정적인 로컬라이제이션을 가능하게 하며, 312km의 고속도로 주행 동안 중앙값 기준 횡방향 오차 0.05m, 종방향 오차 1.12m의 정확도를 달성한다.

ABSTRACT

In this paper we propose a novel semantic localization algorithm that exploits multiple sensors and has precision on the order of a few centimeters. Our approach does not require detailed knowledge about the appearance of the world, and our maps require orders of magnitude less storage than maps utilized by traditional geometry- and LiDAR intensity-based localizers. This is important as self-driving cars need to operate in large environments. Towards this goal, we formulate the problem in a Bayesian filtering framework, and exploit lanes, traffic signs, as well as vehicle dynamics to localize robustly with respect to a sparse semantic map. We validate the effectiveness of our method on a new highway dataset consisting of 312km of roads. Our experiments show that the proposed approach is able to achieve 0.05m lateral accuracy and 1.12m longitudinal accuracy on average while taking up only 0.3% of the storage required by previous LiDAR intensity-based approaches.

연구 동기 및 목표

• 자율주행 차량의 로컬라이제이션에 사용되는 전통적인 고정밀도 지도의 높은 저장 비용과 확장성 한계를 해결하기 위해.
• 대규모 고속도로 환경에서 최소한의 지ap 데이터로 센티미터 수준의 정밀도를 달성하는 로컬라이제이션 정확도를 가능하게 하기 위해.
• 차선과 교통 표지판과 같은 희박한 의미적 신호를 활용하여 고밀도 기하학적 또는 시각적 특징에 대한 의존도를 줄이기 위해.
• 카메라, LiDAR, GPS, 자이로스코프 등 다양한 센서 모odalities를 통합된 확률적 프레임워크에 통합하여 강력한 로컬라이제이션을 실현하기 위해.
• 312km에 이르는 대규모 고속도로 데이터셋에서 실시간 성능과 확장성을 입증하기 위해.

제안 방법

• 시간에 따라 관측치를 융합하기 위해 히스토그램 필터를 사용하는 베이지안 필터링 문제로 차량 로컬라이제이션을 수식화한다.
• 조망도 기반의 베이직 시점에서 LiDAR 스위프트로부터 절단된 역거리 변환을 이용해 차선 경계를 검출한다.
• 카메라 이미지에서 2차원 의미 분할을 통해 교통 표지판을 검출한 후, LiDAR 포인트를 이용해 3차원으로 투영하여 지도 통합에 활용한다.
• 다양한 회전 각도에서 검출된 의미 정보를 지도 가설과 정렬하기 위해 미분 가능한 강체 변환 레이어를 적용한다.
• 유도된 의미 특징과 지도 표현 간의 내적곱을 통해 매칭 점수를 계산하고, 이를 필터 내의 가능도로 활용한다.
• GPS, 휠 인코더, 자이로스코프 데이터를 의미 관측치와 소프트-아르그맥스를 통해 융합하여 후행 포즈 분포를 추정한다.

실험 결과

연구 질문

• RQ1 차선과 교통 표지판으로 구성된 희박한 의미적 고정밀도 지도가 저장 용량을 크게 줄였음에도 불구하고 고정밀도 로컬라이제이션을 가능하게 할 수 있는가?
• RQ2 차선과 표지판 관측치는 횡방향 및 종방향 차량 위치의 모호함을 어떻게 상호 보완하는가?
• RQ3 반복적인 고속도로 환경에서 실시간 성능을 유지를 하면서도 로컬라이제이션의 강성과 안정성을 확보할 수 있는 확률적 베이지안 필터링 프레임워크는 가능한가?
• RQ4 희박한 의미 지도와 고밀도 LiDAR 강도 또는 3D 포인트 클라우드 지도를 비교했을 때 정확도와 저장 비용 간의 상호 교환 관계는 어떠한가?
• RQ5 차량 동역학과 다양한 센서 모달리티의 통합은 GPS 전용 또는 기하학적 특징 전용 기반선과 비교해 로컬라이제이션의 강성과 안정성을 향상시키는가?

주요 결과

• 제안된 방법은 312km의 고속도로 주행 동안 횡방향 중앙값 오차 0.05m, 종방향 중앙값 오차 1.12m의 정확도를 달성한다.
• 시스템은 단일 GPU에서 약 7Hz로 작동하여 실시간 실행 가능성을 입증하였으며, 프레임당 추론 지연 시간은 153ms이다.
• 의미적 고정밀도 지도는 단지 0.55 MiB/km²의 저장 용량만을 필요로 하며, 이는 LiDAR 강도 지도에 비해 0.3%, 3D 포인트 클라우드 지도에 비해 0.03%에 불과하다.
• 제거 실험 결과 차선 관측치는 횡방향 정확도를 크게 향상시키며, 표지판 관측치는 종방향 정확도를 향상시키며, GPS는 악조건에서의 강성 확보에 기여한다.
• 확률적 히스토그램 필터는 결정론적 기반선보다 더 높은 정확도와 더 부드러운 포즈 추정을 달성하며, 시간에 따라 불확실성 전파가 이루어지기 때문이다.
• 저조도 조건에서도 성공적인 표지판 검출과 지도 구축을 통해 시스템은 낮은 조도 환경에서도 높은 정확도를 유지한다.