[논문 리뷰] Learning to Localize Using a LiDAR Intensity Map

Ioan Andrei Bârsan, Shenlong Wang외 2명|arXiv (Cornell University)|2020. 12. 20.

Robotics and Sensor-Based Localization인용 수 64

한 줄 요약

이 논문은 실시간의 보정-무관 로컬라이제이션 시스템으로, 온라인 LiDAR 스윕 및 aLiDAR 강도 맵을 공유 심층 공간에 삽입하고, 효율적인 합성곱 매칭을 통해 로컬라이제이션을 수행하며, 15 Hz에서 센서 간 센터미터 수준의 정밀도 달성.

ABSTRACT

In this paper we propose a real-time, calibration-agnostic and effective localization system for self-driving cars. Our method learns to embed the online LiDAR sweeps and intensity map into a joint deep embedding space. Localization is then conducted through an efficient convolutional matching between the embeddings. Our full system can operate in real-time at 15Hz while achieving centimeter level accuracy across different LiDAR sensors and environments. Our experiments illustrate the performance of the proposed approach over a large-scale dataset consisting of over 4000km of driving.

연구 동기 및 목표

• 자율 주행에서 HD 맵 기반 인지 및 계획을 위한 센티미터 수준 차량 로컬라이제이션의 필요성 제시.
• 다른 LiDAR 센서 간 작동하는 보정-무관 로컬라이제이션 프레임워크 제안.
• 온라인 LiDAR 스윕과 미리 구축된 LiDAR 강도 맵에 대한 딥 임베딩 방법 개발.
• 효율적인 주파수 도메인 합성곱 매칭을 통한 실시간 로컬라이제이션 가능성 제시.

제안 방법

• 온라인 LiDAR BEV 강도 이미지와 미리 구축된 강도 맵을 공통 신경 임베딩 공간에 매핑.
• 푸리에 도메인에서 회전된 온라인 임베딩과 맵 임베딩을 교차상관하여 LiDAR 포즈 가능도 계산.
• LiDAR, GPS, 모션 프리어를 결합한 심층 재귀 베이지 업데이트로 로컬라이제이션 모델링.
• 죽은 계산 포즈를 중심으로 한 3-DoF 포즈(x, y, theta)에 대한 히스토그램 필터 유사 이산 탐색 사용.
• 결과 포즈 점수 맵에 대한 교차 엔트로피 손실로 엔드-투-엔드 학습.
• 부드러운 argmax를 채택하여 포즈 추정의 매끄러움과 관찰 노이즈에 대한 강건성 확보.

실험 결과

연구 질문

• RQ1 학습된 임베딩 공간이 서로 다른 센서 간 보정-없는 LiDAR 기반 로컬라이제이션을 가능하게 할 수 있는가?
• RQ2 실시간 제약 하에서 제안된 임베딩 기반 로컬라이제이션의 정확도와 강건성은 어떠한가?
• RQ3 시스템이 한 LiDAR 모달리티에서 다른 모듈로, 도시/고속도로 환경 간 일반화 얼마나 잘 되는가?
• RQ4 속도/모션 프리어와 확률적 추론의 활용이 로컬라이제이션의 강건성에 미치는 영향은 무엇인가?

주요 결과

• 다양한 고속도로 및 도시 구간에서 15 Hz의 실시간 로컬라이제이션 및 센티미터 수준 정밀도 달성.
• 중간 오차 및 특히 최악의 경우 실패율에서 ICP 및 원시 LiDAR 매칭 기준보다 우수.
• LiDAR A와 LiDAR B 데이터셋 간 전이 시에도 정확도 유지하며 센서 간 일반화 가능성 시연.
• FFT 기반 합성곱으로 매칭 속도가 크게 빨라져 3-DoF 공간에서 회전 및 평행 이동의 효율적 탐색 가능.
• 모션 프리어 및 확률적 추론 도입으로 강건성 향상 및 실패율 감소.
• LinkNet 백본을 이용한 단일 채널 임베딩이 정확도와 런타임의 균형 우수.