[논문 리뷰] Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment in Visual SLAM

Yipu Zhao, Justin S. Smith외 1명|arXiv (Cornell University)|2020. 08. 23.

Robotics and Sensor-Based Localization참고 문헌 65인용 수 7

한 줄 요약

이 논문은 동적 크기 제약 조건 하에서 조건 수치를 최대화하는 부분 그래프를 선택함으로써, 예산 인지적이고 비용 효율적인 방법인 Good Graph를 제안한다. 이는 국소적 번들 조정(BA) 최적화를 시각 SLAM에서 수행하기 위해 제안되며, 수치적 조건을 유지함으로써 계산 제약 조건 하에서도 정확도와 강인성을 향상시키고, 추적 실패를 줄이며, 독립형 SLAM 및 닫힌 루프 탐색 시스템에서 성능을 안정화시킨다.

ABSTRACT

The cost-efficiency of visual(-inertial) SLAM (VSLAM) is a critical characteristic of resource-limited applications. While hardware and algorithm advances have been significantly improved the cost-efficiency of VSLAM front-ends, the cost-efficiency of VSLAM back-ends remains a bottleneck. This paper describes a novel, rigorous method to improve the cost-efficiency of local BA in a BA-based VSLAM back-end. An efficient algorithm, called Good Graph, is developed to select size-reduced graphs optimized in local BA with condition preservation. To better suit BA-based VSLAM back-ends, the Good Graph predicts future estimation needs, dynamically assigns an appropriate size budget, and selects a condition-maximized subgraph for BA estimation. Evaluations are conducted on two scenarios: 1) VSLAM as standalone process, and 2) VSLAM as part of closed-loop navigation system. Results from the first scenario show Good Graph improves accuracy and robustness of VSLAM estimation, when computational limits exist. Results from the second scenario, indicate that Good Graph benefits the trajectory tracking performance of VSLAM-based closed-loop navigation systems, which is a primary application of VSLAM.

연구 동기 및 목표

• BA 기반 VSLAM 백엔드에서 높은 계산 비용이 지속적으로 발생하는 문제를 해결하기 위해, 특히 자원 제약 조건 하에서도 효과적으로 대응하고자 한다.
• 추정 정확도나 강인성에 손실을 입히지 않은 채 국소적 번들 조정(BA)의 비용 효율성을 향상시키고자 한다.
• 크기 축소된 잘 조절된 부분 그래프를 선택하기 위해 동적이고 예산 인지적인 방법을 개발하고자 한다.
• AR 헤드셋과 마이크로 항공기와 같은 실시간, 자원 제약 조건이 있는 애플리케이션에서 VSLAM 성능을 향상시키고자 한다.
• 기존의 BA 기반 SLAM 시스템(예: ORB-SLAM)에 적용 가능한 일반 목적의 오픈소스 개선 기법을 제공하고자 한다.

제안 방법

• Good Graph는 전체 문제 대비 국소 BA 문제의 조건 수치를 최대화하는 상태(카메라 자세와 3D 점)의 부분 집합을 선택하기 위해 부분 모듈러 최적화를 사용한다.
• 실시간 계산 제약 조건과 향후 추정 필요 조건에 따라 국소 BA 그래프의 크기 예산을 동적으로 할당한다.
• 헤시안 행렬의 조건 수치를 유지함으로써 최적화 부분 문제의 수치적 안정성을 확보하고, 부정확한 조건 수치를 최소화한다.
• 공유 가시성과 시간적 근접성과 같은 SLAM 전용 히우리스틱을 활용하여 부분 그래프 선택을 안내하면서도 최적화 품질을 유지한다.
• 실시간으로 작동하여 전체 글로벌 최적화 없이도 효율적인 국소 BA 업데이트를 가능하게 한다.
• 기존의 BA 기반 VSLAM 백엔드에 플러그인 방식으로 통합 가능한 구조로 설계되었으며, 통합을 위한 오픈소스 코드가 제공된다.

실험 결과

연구 질문

• RQ1 자원 제약 조건 하에서 계산 비용을 줄이면서도 높은 정확도를 유지하기 위해 VSLAM의 국소적 번들 조정을 어떻게 최적화할 수 있는가?
• RQ2 국소 BA를 위한 크기 축소된 부분 그래프를 선택할 때, 수치적 조건 수치와 수렴 강인성을 유지하기 위해 어떤 기준을 사용할 수 있는가?
• RQ3 동적이고 예산 인지적인 부분 그래프 선택은 실시간 SLAM 시스템에서 추적 안정성과 궤적 정확도에 어떤 영향을 미치는가?
• RQ4 조건 수치를 유지하는 부분 모듈러 기반 선택 방법이 히우리스틱 윈도우링 또는 공유 가시성 기반 접근 방식보다 강인성과 일관성 면에서 뛰어나다고 할 수 있는가?
• RQ5 다양한 계산 및 센서 노이즈 조건 하에서, Good Graph는 닫힌 루프 탐색 시스템에서 성능을 얼마나 향상시키는가?

주요 결과

• 독립형 VSLAM 환경에서 Good Graph는 자원 제약 조건 하에서도 추적 실패를 줄이고 강인성을 향상시켰으며, GF+GG는 36회의 테스트 중 단 1회 실패를 기록하여 GF의 3회, MSC의 4회에 비해 훨씬 우수했다.
• GF+GG 버전은 평균 RMSE 0.285 ± 0.140을 기록하여 GF의 0.304 ± 0.197 및 MSC의 0.522 ± 0.162에 비해 훨씬 더 일관된 오차 결과를 보였다.
• 고성능 IMU 조건 하에서는 GF+GG의 RMSE가 0.19에서 0.26으로 증가하는 데 그쳤지만, GF는 0.15에서 0.34로 상승하여 속도 변화에 대한 안정성이 뛰어나다는 것을 보였다.
• 저성능 IMU 조건 하에서는 GF+GG가 노이즈에도 불구하고 일관된 성능을 유지했으며, 오차 일관성과 실패율 면에서 GF 및 MSC를 모두 능가했다.
• 시각적으로 GF+GG는 최소한의 산산이 퍼짐과 드리프트를 보이며 가장 일관되고 정확한 궤적을 생성하여, 우수한 자세 추정 안정성을 보였다.
• 이 방법은 일반화 능력을 입증하였으며, 경로 유형, 속도, IMU 노이즈 등 다양한 시나리오에서 성능 향상을 보였고, 런타임 조건에 대한 적응 가능성의 우수성을 입증했다.