[논문 리뷰] LiDAR and Inertial Fusion for Pose Estimation by Non-linear Optimization

Haoyang Ye, Ming Liu|arXiv (Cornell University)|2017. 10. 19.

Robotics and Sensor-Based Localization참고 문헌 12인용 수 5

한 줄 요약

이 논문은 희박한 점군 또는 부분적 가림이 발생하는 도전적인 조건에서 자동차의 자세 추정 성능을 향상시키기 위해 3D 스피닝 라이다와 IMU 데이터를 융합하는 비선형 최적화 프레임워크를 제안한다. 사전 통합된 IMU 측정치를 활용하고 라이다 및 IMU 상태를 동시에 최적화함으로써, 특히 좁은 복도나 반으로 가로막힌 스캔과 같은 열악한 환경에서 라이다 단독 방법보다 더 정확하고 안정적인 자세 추정을 달성한다.

ABSTRACT

Pose estimation purely based on 3D point-cloud could suffer from degradation, e.g. scan blocks or scans in repetitive environments. To deal with this problem, we propose an approach for fusing 3D spinning LiDAR and IMU to estimate the ego-motion of the sensor body. The main idea of our work is to optimize the poses and states of two kinds of sensors with non-linear optimization methods. On the one hand, a bunch of IMU measurements are considered as a relative constraint using pre-integration and the state errors can be minimized with the help of laser pose estimation and non-linear optimization algorithms; on the other hand, the optimized IMU pose outputs can provide a better initial for the subsequent point-cloud matching. The method is evaluated under both simulation and real tests with comparison to the state-of-the-art. The results show that the proposed method can provide better pose estimation performance even in the degradation cases.

연구 동기 및 목표

• 희박하거나 가로막힌 점군이 있는 환경(예: 좁은 복도 또는 반복적인 구조물)에서 라이다 단독 자세 추정 성능 저하 문제를 해결하기 위해.
• 고주기 IMU 측정치를 초기화에 사전 조건으로 활용하여 3D 점군 매칭의 정확성과 강건성을 향상시키기 위해.
• 비선형 최적화를 통해 라이다 및 IMU 상태를 동시에 최적화하여 자동차 운동 추정의 누적 오차를 최소화하기 위해.
• 부분적인 라이다 스캔과 동적 운동이 존재하는 실제 환경에서 센서 융합의 효과를 입증하기 위해.

제안 방법

• IMU 측정치의 사전 통합을 통해 연속된 IMU 상태 간의 상대 운동을 모델링함으로써 계산 비용을 감소시키고 수치적 안정성을 향상시킨다.
• 비선형 최적화 프레임워크를 사용하여 라이다 자세와 IMU 상태를 동시에 추정하며, 양측 센서 모odal의 오차를 최소화한다.
• 최적화된 IMU 자세는 후속 점군 정렬에 더 정확한 초기 추정치를 제공하여 관측 수가 적은 상황에서의 매칭 오차를 감소시킨다.
• 포즈 그래프 기반 최적화를 사용하여 시간에 따라 일관된 상태 추정을 유지함으로써 일시적인 센서 성능 저하에 대한 강건성을 확보한다.
• 최적화된 IMU 궤적을 사전 조건으로 사용하여 레이저 스캔 매칭을 수행함으로써 수렴성 향상과 점군 정렬에서의 드리프트 감소를 달성한다.
• 센서 운동에 의한 왜곡 보정은 향후 확장 가능성을 고려하여, 빠른 IMU 기반 자세 추정을 활용해 라이다 스캔의 운동 아티팩트를 보정한다.

실험 결과

연구 질문

• RQ1 IMU 데이터는 희박하거나 부분적으로 가로막힌 점군이 있는 환경에서 라이다 기반 자세 추정의 강건성을 향상시킬 수 있는가?
• RQ2 융합된 라이다 및 IMU 측정치에 대한 비선형 최적화는 라이다 단독 방법에 비해 드리프트와 매칭 오차를 얼마나 줄이는가?
• RQ3 사전 통합된 IMU 데이터는 점군 매칭 알고리즘의 초기화 품질을 어느 정도 향상시키는가?
• RQ4 제안된 융합 프레임워크는 좁은 복도나 반으로 스캔된 환경과 같은 실제 환경의 열악한 조건에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 시뮬레이션 및 실제 테스트에서 모두 LOAM 및 라이다 단독 버전보다 뚜렷이 뛰어난 성능을 보였으며, 관측 가능한 점군 수가 적은 열악한 상황에서 특히 두각을 나타냈다.
• 실내 좁은 복도 테스트에서, 제안된 방법은 LOAM 및 비-IMU 보조 버전보다 더 직선에 가까운 궤적을 생성하여 운동 추정 정확도 향상을 입증했다.
• 반으로 가로막힌 라이다 스캔이 있는 외부 환경 테스트에서, 제안된 방법은 LOAM 및 비-IMU 보조 방법에서 발생한 큰 매칭 오차를 성공적으로 방지했으며, 지ap도에서 일관된 흰색 스캔 정렬을 통해 이를 확인할 수 있었다.
• IMU 보조 방법은 점군 매칭이 기하학적 제약 조건이 부족하여 실패한 상황에서도 안정적이고 정확한 자세 추정을 유지했다.
• 최적화 프레임워크는 시간이 지남에 따라 변위 및 회전 오차를 효과적으로 감소시켰으며, 그림 4의 오른쪽 컬럼은 왼쪽 컬럼(비-IMU 융합)보다 훨씬 낮은 오차 수준을 보였다.
• 시스템은 동적 운동과 환경적 열악함에 대해 강건성을 보였으며, 라이다 단독 방법이 실패하는 상황에서도 일관된 성능을 유지했다.