[논문 리뷰] KISS-ICP: In Defense of Point-to-Point ICP -- Simple, Accurate, and Robust Registration If Done the Right Way

Ignacio Vizzo, Tiziano Guadagnino외 4명|arXiv (Cornell University)|2022. 09. 30.

Robotics and Sensor-Based Localization인용 수 7

한 줄 요약

이 논문은 적응형 임계값, 강건한 커널, 운동 보정, 포인트 클라우드의 정렬을 통한 간단하면서도 뛰어난 성능을 보이는 LiDAR 온도메트리 시스템인 KISS-ICP를 제안한다. 동일한 파rameter를 사용하여 자동차, 드론, 세그웨이, 수동식 LiDAR를 포함한 다양한 플랫폼에서 최신 기술 수준의 성능을 달성하며, IMU나 센서 전용 캘리브레이션 없이도 센서 프레임 레이트를 초월하는 속도로 작동한다.

ABSTRACT

Robust and accurate pose estimation of a robotic platform, so-called sensor-based odometry, is an essential part of many robotic applications. While many sensor odometry systems made progress by adding more complexity to the ego-motion estimation process, we move in the opposite direction. By removing a majority of parts and focusing on the core elements, we obtain a surprisingly effective system that is simple to realize and can operate under various environmental conditions using different LiDAR sensors. Our odometry estimation approach relies on point-to-point ICP combined with adaptive thresholding for correspondence matching, a robust kernel, a simple but widely applicable motion compensation approach, and a point cloud subsampling strategy. This yields a system with only a few parameters that in most cases do not even have to be tuned to a specific LiDAR sensor. Our system using the same parameters performs on par with state-of-the-art methods under various operating conditions using different platforms: automotive platforms, UAV-based operation, vehicles like segways, or handheld LiDARs. We do not require integrating IMU information and solely rely on 3D point cloud data obtained from a wide range of 3D LiDAR sensors, thus, enabling a broad spectrum of different applications and operating conditions. Our open-source system operates faster than the sensor frame rate in all presented datasets and is designed for real-world scenarios.

연구 동기 및 목표

• 다양한 센서, 운동 프로파일, 환경에서 파rameter 캘리브레이션 없이도 일반화 가능한, 즉시 사용 가능한 LiDAR 온도메트리 시스템의 부족을 해결한다.
• LiDAR 온도메트리 분야에서 점점 복잡해지는 경향을 도전하며, 적절히 구성된 전통적인 포인트 투 포인트 ICP가 여전히 매우 효과적임을 보여준다.
• IMU나 휠 온도메트리에 의존하지 않고, 다양한 LiDAR 센서에서 온도메트리 시스템을 단순히 3차원 포인트 클라우드에 기반해 안정적으로 작동하도록 한다.
• 고역동성 차량, 드론, 수동 장치를 포함한 다양한 로봇 플랫폼에서 높은 정확도와 실시간 성능을 달성한다.
• 단순함과 타당한 공 ing 설계를 조합함으로써 복잡한 최신 기술 수준의 방법을 능가하거나 이를 초월하는 새로운 기준을 설정한다.

제안 방법

• 특징 추출이나 학습 기반 방법을 피하고, 핵심 정렬 알고리즘으로 포인트 투 포인트 ICP를 사용한다.
• 로봇의 운동 프로파일에 따라 동적으로 조정되는 적응형 임계값을 데이터 연관에 적용하여 고정 임계값이 필요 없도록 한다.
• 대응 매칭에서 외곽선의 영향을 줄이기 위해 강건한 커널(예: 카우치)을 적용한다.
• 운동 왜곡 보정을 위해 일정 속도 운동 모델을 사용하여 스캔 수집 중 발생하는 왜곡을 보정한다.
• 기하학적 정밀도를 유지하면서도 계산 부담을 줄이기 위해 포인트 클라우드의 공간적 정렬을 수행한다.
• 다양한 데이터셋과 플랫폼에서 대부분의 파rameter가 고정되어 있어 최소한의 파rameter 최적화만으로 시스템을 구성한다.

실험 결과

연구 질문

• RQ1 고정된 파rameter로 다양한 로봇 플랫폼과 센서 유형에서 최신 기술 수준의 성능을 달성할 수 있는 단순한 포인트 투 포인트 ICP 기반 온도메트리 시스템은 가능한가?
• RQ2 다양한 운동 프로파일에서 고정 임계값에 비해 적응형 임계값 전략이 더 높은 강건성과 일반화 능력을 제공하는가?
• RQ3 IMU나 휠 온도메트리에 의존하지 않고도 단순한 일정 속도 모델을 사용해 운동 왜곡을 효과적으로 보정할 수 있는가?
• RQ4 실세계 환경에서 복잡하고 수작업으로 캘리브레이션된 SLAM 시스템에 비해 최소한의 학습 기반 ICP 시스템의 성능은 어떻게 되는가?
• RQ5 매우 다른 포인트 밀도, 스캔 패턴, 운동 역학을 가진 데이터셋 간에 동일한 파ram터 설정이 얼마나 널리 적용 가능한가?

주요 결과

• KISS-ICP는 KITTI 데이터셋(시퀀스 00–10)에서 상대적 이동 오차 0.50%를 달성하여 고정 임계값 ICP를 능가하고, MULLS나 IMLS-SLAM과 같은 더 복잡한 시스템과 비교해도 동등하거나 슈퍼어리어를 기록한다.
• 적응형 임계값 전략은 KITTI 시퀀스에서 평균 성능이 가장 우수하며, 고정 임계값(예: 0.36% 오차, 시퀀스 04, 1.0m 고정 임계값 대비 0.39%)에 비해 뛰어난 성능을 보였다.
• 일정 속도 모델을 통한 운동 보정은 왜곡 보정 없이 0.91%의 이동 오차를 0.49%로 감소시켜 IMU 없이도 효과적임을 입증했다.
• 모든 데이터셋에서 38–51 Hz로 작동하여 센서 프레임 레이트를 초월하며 실시간 가능성을 입증했다.
• 강건한 커널이 없을 경우에도 시스템은 0.67%의 이동 오차를 기록하지만, 커널을 적용할 경우 성능이 크게 향상되어 외곽선에 대한 내성의 중요성을 강조한다.
• 자동차, UAV, 세그웨이, 수동식 LiDAR 데이터셋 전반에서 동일한 파ram터 세트가 작동하여 센서 유형, 운동 프로파일, 환경 조건 간의 일반화 능력을 입증했다.