[논문 리뷰] IN2LAAMA: INertial Lidar Localisation Autocalibration And MApping

Cédric Le Gentil, Teresa Vidal‐Calleja외 1명|arXiv (Cornell University)|2019. 05. 23.

Advanced Vision and Imaging인용 수 7

한 줄 요약

IN2LAAMA는 3D 라이다와 6-DoF 관성측정장치(IMU)를 사용하여 라이다-관성 동시위치추정, 지ap도 작성 및 외부 캘리브레이션을 위한 오프라인 확률적 프레임워크를 제안한다. 이는 가우시안 프로세스 보간을 통해 사전통합된 관성 측정값을 업샘플링하여 운동 왜곡을 보정하고, 루프 클로저를 통한 배치 최적화를 통해 정확한 스캔 정렬 및 상태 추정을 가능하게 하며, 실제 지도에서 30mm 이내의 포인트-평면 오차를 달성한다.

ABSTRACT

In this paper, we present INertial Lidar Localisation Autocalibration And MApping (IN2LAAMA): an offline probabilistic framework for localisation, mapping, and extrinsic calibration based on a 3D-lidar and a 6-DoF-IMU. Most of today's lidars collect geometric information about the surrounding environment by sweeping lasers across their field of view. Consequently, 3D-points in one lidar scan are acquired at different timestamps. If the sensor trajectory is not accurately known, the scans are affected by the phenomenon known as motion distortion. The proposed method leverages preintegration with a continuous representation of the inertial measurements to characterise the system's motion at any point in time. It enables precise correction of the motion distortion without relying on any explicit motion model. The system's pose, velocity, biases, and time-shift are estimated via a full batch optimisation that includes automatically generated loop-closure constraints. The autocalibration and the registration of lidar data rely on planar and edge features matched across pairs of scans. The performance of the framework is validated through simulated and real-data experiments.

연구 동기 및 목표

• 특정 운동 모델을 가정하지 않고, 스캔 통합 중 센서 운동으로 인한 3D 라이다 스캔의 운동 왜곡을 보정한다.
• 동시위치추정 및 지도 작성 중에 목표물이 없는 조건에서 3D 라이다와 6-DoF IMU 간의 정확한 외부 캘리브레이션을 가능하게 한다.
• 전체 배치 최적화 프레임워크에 관성 측정값을 제약 조건으로 통합하여 지도 작성 정확도를 향상시킨다.
• 특징 추출과 궤적 추정 간의 상호의존성 문제를 해결하기 위해 업데이트된 상태 추정치를 기반으로 특징을 반복적으로 개선한다.
• 강건한 데이터 할당 및 루프 클로저 제약 조건을 갖춘 평면 및 에지 특징을 사용하여 다양한 환경에서 고정밀 3D 지도 작성 성능을 달성한다.

제안 방법

• 지속적인 가우시안 프로세스 기반 보간을 사용해 사전통합된 관성 측정값을 업샘플링하여, 라이다 스캔 중 어떤 시점에서나 운동 특성을 특징화할 수 있는 업샘플드 사전통합 측정값(UPMs)을 생성한다.
• 라이다 요소(포인트-평면, 포인트-선)와 관성 요소(프레임 간 UPM)로 구성된 인자 그래프를 구축하여 자세, 속도, 바이어스, 시간 오프셋을 동시에 최적화한다.
• 자동으로 생성된 루프 클로저 제약 조건을 통합한 전체 배치의 만-맨포ลด 최적화를 수행하여 전역 일관성을 향상시킨다.
• 최신 상태 추정치를 기반으로 프론트엔드에서 기하학적 특징(평면 및 에지)을 반복적으로 재계산하여 특징 품질과 궤적 정확도 간의 상호의존성을 해결한다.
• 선형 회귀 오차 기준과 막힘 검사를 기반으로 특징 후보를 거부하는 알고리즘을 적용하여 특징 매칭의 강건성을 향상시킨다.
• UPMs가 초기 자세 및 속도 조건에 의존하지 않음을 활용하여 최적화 과정의 수치적 안정성을 확보한다.

실험 결과

연구 질문

• RQ1 특정 운동 모델을 가정하지 않고 3D 라이다 스캔의 운동 왜곡을 효과적으로 보정할 수 있는가?
• RQ2 목표물이 없는 환경에서 동시에 위치추정 및 지도 작성과 함께 3D 라이다와 6-DoF IMU 간의 외부 캘리브레이션을 어떻게 수행할 수 있는가?
• RQ3 관성 요소를 최적화에 통합할 경우, 다이나믹하거나 복잡한 환경에서 라이다-관성 SLAM의 정확도와 강건성은 어느 정도 향상되는가?
• RQ4 업데이트된 상태 추정치를 기반으로 기하학적 특징을 반복적으로 개선하는 방식이 전체 지도 작성 정확도에 어떤 영향을 미치는가?
• RQ5 잘 모델링되지 않은 IMU 데이터가 제안된 프레임워크 성능에 어떤 영향을 미치는가?

주요 결과

• IN2LAAMA는 실제 3D 지도에서 평균 포인트-평면 거리 27 mm를 달성하였으며, 동일한 환경에서 사슬 캘리브레이션(58 mm)보다 뚜렷하게 뛰어난 성능을 보였다.
• 다양한 실제 및 시뮬레이션 환경에서 최신 기술 수준의 라이다 SLAM 알고리즘들과 비교해도 뛰어난 성능을 보였다.
• 최적화 과정에 관성 요소를 통합함으로써, 특히 다이나믹한 운동 환경에서의 강건성이 향상되었다.
• 프레임워크는 목표물이 없는 외부 캘리브레이션을 성공적으로 수행하여 외부 캘리브레이션 타겟 없이도 라이다와 IMU 간의 정확한 정렬을 달성했다.
• 반복적인 특징 재계산 과정은 특징 매칭의 신뢰성을 향상시키고, 더 나은 지도 일관성과 기하학적 정확도 기여에 기여했다.
• 계산이 집약적이며 실시간이 아니지만, 슬라이딩 윈도우 최적화나 GPU 가속 기법을 통해 향후 실시간 구현을 위한 강력한 기반을 제공한다.