[논문 리뷰] LiDAR Odometry Methodologies for Autonomous Driving: A Survey

Nikhil Jonnavithula, Yecheng Lyu외 1명|arXiv (Cornell University)|2021. 09. 13.

Robotics and Sensor-Based Localization참고 문헌 71인용 수 12

한 줄 요약

이 종합 검토는 자율 주행을 위한 LiDAR 온도메트리 방법을 대응 유형(점, 분포, 네트워크 기반)에 따라 분류하며, 그들의 파이프라인, 장점 및 한계를 분석한다. KITTI 데이터셋에서의 방법 평가를 통해 ELO가 런타임에서 최고 성능을 보이며 경쟁 가능한 정확도를 확보했고, 딥러닝 기반 접근법이 실시간, 내구성 있는 온도메트리에 유망한 것으로 나타났다.

ABSTRACT

Vehicle odometry is an essential component of an automated driving system as it computes the vehicle's position and orientation. The odometry module has a higher demand and impact in urban areas where the global navigation satellite system (GNSS) signal is weak and noisy. Traditional visual odometry methods suffer from the diverse illumination status and get disparities during pose estimation, which results in significant errors as the error accumulates. Odometry using light detection and ranging (LiDAR) devices has attracted increasing research interest as LiDAR devices are robust to illumination variations. In this survey, we examine the existing LiDAR odometry methods and summarize the pipeline and delineate the several intermediate steps. Additionally, the existing LiDAR odometry methods are categorized by their correspondence type, and their advantages, disadvantages, and correlations are analyzed across-category and within-category in each step. Finally, we compare the accuracy and the running speed among these methodologies evaluated over the KITTI odometry dataset and outline promising future research directions.

연구 동기 및 목표

• 대응 유형(점, 분포, 네트워크 기반)에 따라 기존 LiDAR 온도메트리 방법을系통적으로 분류하고 분석하는 것.
• 온도메트리 파이프라인을 전처리, 특징 추출, 대응 검색, 변환 추정, 후처리의 다섯 단계로 분해하는 것.
• KITTI 온도메트리 벤치마크를 사용하여 정확도 및 실행 속도 측면에서 LiDAR 온도메트리 방법의 성능을 평가하고 비교하는 것.
• 조명에 민감하지 않음, 3D 자세 추정, 실시간 배포 제약 등 LiDAR 온도메트리의 주요 과제를 규명하는 것.
• 특히 자율 주행 시스템의 정확도와 내구성을 향상시키기 위한 융합 기반 접근법을 포함한 향후 연구 방향을 제시하는 것.

제안 방법

• 대응 유형에 따라 LiDAR 온도메트리 방법을 세 가지 유형으로 분류: 점 대응(예: ICP, LOAM), 분포 대응(예: NDT, Go-Net), 네트워크 기반 대응(예: DCP, DeepLO, LodoNet).
• 온도메트리 파이프라인의 각 단계를 분석: 전처리(예: 지상 제거, 이동 객체 필터링), 특징 추출(예: SIFT, SURF, ORB, PointNet, OverlapNet), 대응 검색, 변환 추정(예: ICP, RANSAC), 후처리(예: 스무딩, 루프 클로징).
• 연속된 LiDAR 프레임 간 자세 변화를 4×4 동차 변환 행렬로 표현: $ Tr = \begin{bmatrix} R & t \\ 0 & 1 \end{bmatrix} $, 여기서 $ R \in SO(3) $ 및 $ t \in \mathbb{R}^3 $.
• LodoNet 및 LeGO-LOAM와 같은 방법에서 3D 점군을 2D로 구면 투영하여 효율적인 처리를 가능하게 하며, 계산 비용을 감소시킨 2D CNN 활용을 가능하게 한다.
• 손실 함수를 활용해 딥러닝 기반 방법 평가: L3-Net에서는 마스크 가중 기하 제약 손실을, PWCLO에서는 계층적 임bedding 최적화를 사용해 내구성과 일반화 능력을 향상시킴.
• KITTI 온도메트리 데이터셋에서 이동 및 회전 오차, 런타임 등의 지표를 사용해 방법 간 비교를 수행하며, ELO는 0.005초의 인fer런스 시간 기록, DeepLO는 평균적으로 뛰어난 성능 확보.

실험 결과

연구 질문

• RQ1 점, 분포, 네트워크 기반 대응 유형 간 LiDAR 온도메트리에서 정확도, 내구성, 계산 효율성 측면에서의 비교는 어떻게 되는가?
• RQ2 LiDAR 온도메트리의 다섯 단계 파이프라인의 핵심 구성 요소와 상호 간의 상충 관계는 무엇이며, 전체 성능에 어떤 영향을 미치는가?
• RQ3 KITTI 데이터셋에서 정확도와 실시간 성능의 균형을 가장 잘 유지하는 LiDAR 온도메트리 방법은 무엇인가?
• RQ4 딥러닝 기반 접근법은 ICP 및 LOAM와 같은 전통적 방법에 비해 일반화 능력과 오차 수렴 성능에서 어떻게 향상되는가?
• RQ5 특히 융합 기반 아키텍처를 통한 향후 연구 방향 중 가장 유망한 것은 무엇인가?

주요 결과

• ELO는 1프레임당 0.005초의 가장 빠른 런타임을 기록하며, LOAM 및 기타 방법들보다 속도에서 뛰어난 성능를 보이며 경쟁 가능한 정확도를 유지한다.
• DeepLO는 KITTI 데이터셋의 모든 11개 시퀀스에서 뛰어난 평균 성능를 보이며, 지오메트리 인식 추정을 향상시키기 위한 지도 및 비지도 프레임워크를 통합한다.
• NDT 기반 LOAM는 평가된 모든 방법 중에서 가장 낮은 회전 및 이동 오차를 기록하여 자세 추정 측면에서 가장 정확하다.
• PWCLO는 KITTI 데이터셋에서 이동 및 회전 오차 지표에서 LodoNet, LOAM, DMLO, LO-Net를 모두 초월하여 뛰어난 정확도를 확보한다.
• D3DLO는 점군 크기를 40–50% 감소시키며, DeepCLR의 3.56%의 파라미터만 사용하여 유사한 성능를 달성하면서도 낮은 계산 비용을 확보한다.
• DeepCLR 및 D3DLO와 같은 방법들은 LOAM와 유사한 런타임 성능를 기록하며, DeepCLR는 오히려 속도에서 LOAM를 초월하여 딥러닝 기반 방법이 전통적 방법의 효율성과 동등하거나 이를 능가할 수 있음을 시사한다.