[논문 리뷰] FAST-LIO2: Fast Direct LiDAR-inertial Odometry

Wei Xu, Yixi Cai외 3명|arXiv (Cornell University)|2021. 07. 14.

Robotics and Sensor-Based Localization참고 문헌 57인용 수 12

한 줄 요약

FAST-LIO2는 직접적인 LiDAR 포인트 레지지스트레이션을 통해 특징 추출을 생략하고, 증분 k-d 트리(ikd-Tree)를 사용해 원시 LiDAR 포인트를 지ap에 직접 레지스트레이션함으로써 다양한 LiDAR 유형과 환경에서 고정밀, 실시간 주행을 가능하게 하는 빠르고 직접적인 LiDAR-자이로스코픽 오도메트리 프레임워크를 제안한다. 이는 희박하거나 고속 운동 환경에서도 특히 뛰어난 정확도와 강건성을 보이며, 동적 지도 갱신과 임베디드 시스템에서의 효율적 계산을 지원한다. 최대 100 Hz 성능을 달성한다.

ABSTRACT

This paper presents FAST-LIO2: a fast, robust, and versatile LiDAR-inertial odometry framework. Building on a highly efficient tightly-coupled iterated Kalman filter, FAST-LIO2 has two key novelties that allow fast, robust, and accurate LiDAR navigation (and mapping). The first one is directly registering raw points to the map (and subsequently update the map, i.e., mapping) without extracting features. This enables the exploitation of subtle features in the environment and hence increases the accuracy. The elimination of a hand-engineered feature extraction module also makes it naturally adaptable to emerging LiDARs of different scanning patterns; The second main novelty is maintaining a map by an incremental k-d tree data structure, ikd-Tree, that enables incremental updates (i.e., point insertion, delete) and dynamic re-balancing. Compared with existing dynamic data structures (octree, R*-tree, nanoflann k-d tree), ikd-Tree achieves superior overall performance while naturally supports downsampling on the tree. We conduct an exhaustive benchmark comparison in 19 sequences from a variety of open LiDAR datasets. FAST-LIO2 achieves consistently higher accuracy at a much lower computation load than other state-of-the-art LiDAR-inertial navigation systems. Various real-world experiments on solid-state LiDARs with small FoV are also conducted. Overall, FAST-LIO2 is computationally-efficient (e.g., up to 100 Hz odometry and mapping in large outdoor environments), robust (e.g., reliable pose estimation in cluttered indoor environments with rotation up to 1000 deg/s), versatile (i.e., applicable to both multi-line spinning and solid-state LiDARs, UAV and handheld platforms, and Intel and ARM-based processors), while still achieving higher accuracy than existing methods. Our implementation of the system FAST-LIO2, and the data structure ikd-Tree are both open-sourced on Github.

연구 동기 및 목표

• 임베디드 플랫폼에 실시간 배포에 적합한 계산 효율성, 강건성, 정확도를 갖춘 LiDAR-자이로스코픽 오도메트리 시스템을 개발하는 것.
• 스캐닝 패턴과 환경 조건에 민감한 수작업 특징 추출이 필요 없도록 하는 것. 특히 희박하거나 구조가 없는 환경에서의 특징 추출에 취약한 점을 해결하기 위함이다.
• 다양한 플랫폼(UAV, 휴대기기)과 프로세서(인텔, ARM)에서 작동하는 다중선 회전형 및 고체상 LiDAR를 포함한 다양한 LiDAR 유형을 지원하는 것.
• 증분 업데이트, 효율적인 근접 이웃 검색, 트리 기반 다운샘플링을 지원하는 고밀도 동적 3D 지도를 유지하는 것.

제안 방법

• 시스템은 상태 추정을 위해 원시 LiDAR 포인트 클라우드와 자이로스코픽 측정치를 융합하기 위해 타이트하게 결합된 반복 확장 칼만 필터(IEKF)를 사용한다.
• 모서리나 평면 특징을 추출하지 않고도 각 LiDAR 스캔의 원시 3D 포인트를 지도에 직접 레지스트레이션함으로써 미세한 환경 특징을 유지하고 정확도를 향상시킨다.
• 증분 업데이트, 삭제, 병렬 재균형 조정을 최소한의 계산 비용으로 지원할 수 있는 새로운 증분 k-d 트리 데이터 구조인 ikd-Tree를 도입한다.
• ikd-Tree는 효율적인 k-최근접 이웃(k-NN) 검색을 가능하게 하며, 지도 품질을 손상시키지 않고도 트리 기반 다운샘플링을 지원함으로써 메모리 및 계산 부담을 감소시킨다.
• 시스템은 IMU 데이터를 상태 추정 과정에 통합하여 운동 왜곡을 처리할 수 있도록 설계되어 고속 주행 시 정확도를 향상시킨다.
• 실시간 성능 최적화를 위해 설계되어 대규모 외부 환경에서 최대 100 Hz의 오도메트리 및 맵핑 성능을 달성하며, 저지연 처리를 구현한다.

실험 결과

연구 질문

• RQ1 특징 기반 방법과 비교해 직접적인 지도에 대한 포인트 레지스트레이션은 정확도와 강건성을 향상시킬 수 있는가?
• RQ2 실시간 LiDAR 맵핑 환경에서 증분 지도 업데이트, 동적 재균형 조정, 빠른 k-최근접 이웃 검색을 효율적으로 지원할 수 있는 데이터 구조는 어떻게 설계할 수 있는가?
• RQ3 특징 없는 접근 방식은 소형 시야각(FoV)과 비균일한 스캐닝 패턴을 가진 고체상 LiDAR를 포함한 다양한 LiDAR 유형에서 높은 정확도와 성능을 유지할 수 있는가?
• RQ4 실내 혼잡 환경이나 외부 식생 환경과 같은 도전적인 환경에서 직접 LiDAR 레지스트레이션과 특징 기반 레지스트레이션 간의 계산 효율성과 정확도의 상호 보완 관계는 어떠한가?
• RQ5 특징 추출이 실패하는 희박한 환경이나 극한의 운동 조건(예: 1000 deg/s 회전)에서 시스템의 성능은 어떠한가?

주요 결과

• FAST-LIO2는 대규모 외부 환경에서 최대 100 Hz의 오도메트리 및 맵핑 성능를 달성하며, 계산 효율성 측면에서 최신 기술들을 크게 앞서 간주된다.
• 특징 기반 방법이 종종 실패하는 혼잡한 실내 환경에서 최대 1000 deg/s의 회전 속도에서도 강력한 자세 추정 성능을 보였다.
• 다양한 개방형 LiDAR 데이터셋의 19개 시퀀스에서의 벤치마크 평가 결과, FAST-LIO2는 기존 최신 기술 대비 일관되게 높은 정확도를 달성했다.
• ikd-Tree 데이터 구조는 k-NN 검색에 있어 기존의 동적 데이터 구조들(옥트리, R*-트리, nanoflann k-d 트리)을 모두 능가하는 종합적인 성능을 보였다. 이는 효율적인 증분 업데이트와 트리 기반 다운샘플링을 지원한다.
• 세 가지 실제 환경(도심, 식생, 실내)에서 스캔 당 평균 처리 시간은 각각 19.6 ms, 23.9 ms, 23.7 ms였으며, 이는 실시간 실행 가능성을 확인한다.
• 항공 실험에서 나무 꼬리, 도로 가장자리, 차선 표시와 같은 복잡한 환경을 성공적으로 맵핑하였으며, GPS 입력 없이도 시각적으로 GPS/IMU 추정치와 일치하는 궤적을 생성했다.