[논문 리뷰] LiLO: Lightweight and low-bias LiDAR Odometry method based on spherical range image filtering

Edison Velasco-Sánchez, Miguel Ángel Muñoz-Bañón외 3명|arXiv (Cornell University)|2023. 11. 13.

Robotics and Sensor-Based Localization인용 수 5

한 줄 요약

LiLO는 원시 포인트 클라우드를 구형 범위 이미지(SRI)로 변환하고, 소벨 및 푸리에 기반 필터링을 적용하여 지면, 에지, 표면 특징를 추출하고 감소시키는 경량이며 저편향의 라이다 옵티모트리 방법을 제안한다. 이 전처리 과정은 계산 부하와 특징 수를 크게 감소시켜 글로벌 맵이나 외부 센서 없이 국소 맵 매칭을 통해 빠르고 정확한 자세 추정을 가능하게 하며, KITTI 데이터셋에서 0.86%의 이동 오차와 0.0036°/m의 회전 오차를 달성했고, 실제 3.5km 루프에서 평균 27ms의 런타임과 0.8m의 루프 클로เจอ링 오차를 기록하였다.

ABSTRACT

In unstructured outdoor environments, robotics requires accurate and efficient odometry with low computational time. Existing low-bias LiDAR odometry methods are often computationally expensive. To address this problem, we present a lightweight LiDAR odometry method that converts unorganized point cloud data into a spherical range image (SRI) and filters out surface, edge, and ground features in the image plane. This substantially reduces computation time and the required features for odometry estimation in LOAM-based algorithms. Our odometry estimation method does not rely on global maps or loop closure algorithms, which further reduces computational costs. Experimental results generate a translation and rotation error of 0.86\% and 0.0036°/m on the KITTI dataset with an average runtime of 78ms. In addition, we tested the method with our data, obtaining an average closed-loop error of 0.8m and a runtime of 27ms over eight loops covering 3.5Km.

연구 동기 및 목표

• 비구조적인 외부 환경에서 기존의 저편향 라이다 옵티모트리 방법의 높은 계산 비용을 해결한다.
• 옵티모트리 정확도나 편향을 훼손하지 않으면서 특징 밀도와 처리 시간을 감소시킨다.
• 글로벌 맵, 루프 클로저, 또는 외부 센서(예: IMU, GPS)에 의존하지 않아 계산 오버헤드를 최소화한다.
• 런타임과 특징 복잡도를 감소시켜 경로 계획 및 정밀 위치 추정과 같은 실시간 로봇 시스템에 통합할 수 있도록 한다.
• 폐기물 수거 플랫폼과 같은 도전적인 외부 환경에서 이동하는 모바일 로봇에 적합한 고정밀, 저드래프트 옵티모트리 성능을 달성한다.

제안 방법

• 원시 3차원 라이다 포인트 클라우드를 효율적인 2차원 이미지 기반 처리를 가능하게 하기 위해 구형 범위 이미지(SRI)로 변환한다.
• 64채널 라이다에 대해 소벨 연산자 기반 기울기 필터링을, 16채널 라이다에 대해 푸리에 변환 기반 마스크를 적용하여 지면, 에지, 표면 특징를 탐지하고 분리한다.
• SRI에서 필터링된 포인트 클라우드를 재구성하여 특징 추출을 수행하고, 복셀 필터링을 통해 전체 포인트 클라우드 밀도를 감소시킨다.
• 글로벌 맵 구축 없이 동적으로 업데이트되는 경량의 국소 맵을 유지하기 위해 KD-트리 색인을 사용한 프레임-국소맵 매칭 전략을 사용한다.
• ICP 기반 최적화를 사용해 연속 프레임 간의 에지 및 표면 특징를 매칭하는 LOAM 유사 알고리즘을 통해 자세 추정을 수행한다.
• 외부 센서(예: IMU, GPS)나 루프 클로저 메커니즘에 의존하지 않아 계산 부하와 시스템 복잡도를 감소시킨다.

Figure 1: Pipeline of our LiLO method for odometry estimation, which filters the ground $\mathbf{I}_{\mathcal{G}}$ , edges $\mathbf{I}_{\mathcal{E}}$ and surfaces $\mathbf{I}_{\mathcal{S}}$ in a SRI obtained from a point cloud. Point cloud reconstruction: ground $\mathbf{P}_{\mathcal{G}}$ (green), e

실험 결과

연구 질문

• RQ1 SRI 기반 특징 필터링이 라이다 옵티모트리에서 계산 비용을 크게 감소시키면서도 저편향을 유지할 수 있는가?
• RQ2 글로벌 맵과 루프 클로저 의존성을 제거할 경우 실외 환경에서의 옵티모트리 정확도와 런타임에 어떤 영향을 미치는가?
• RQ3 SRI 기반 필터링이 특징 추출 효율성을 얼마나 향상시키고 포인트 클라우드 밀도를 얼마나 감소시키며, 자세 추정 성능에 악영향을 주지 않는가?
• RQ4 실제 데이터에서 최신의 LOAM 기반 방법인 F-LOAM과 비교해 LiLO는 정확도, 런타임, 루프 클로저 오차 측면에서 어떻게 성능을 내는가?
• RQ5 경량이며 센서에 종속되지 않는 옵티모트리 시스템이 경로 계획 및 지오로컬라이제이션과 같은 실시간 로봇 응용 분야에 효과적으로 구현될 수 있는가?

주요 결과

• LiLO는 KITTI 데이터셋에서 0.86%의 이동 오차와 0.0036°/m의 회전 오차를 기록하여 높은 정확도와 낮은 편향을 입증하였다.
• KITTI 데이터셋에서 프레임당 평균 78ms의 런타임을 기록하여 기존의 표준 LOAM 버전 대비 계산 부하를 크게 감소시켰다.
• 실제 16빔 라이다 데이터를 사용한 3.5km 루프(8개 루프)에서 LiLO는 평균 27ms의 런타임과 0.8m의 루프 클로저 오차를 달성하였다.
• 실행 시간은 유사하게 유지하면서 F-LOAM 대비 루프 클로저 오차를 4배 감소시켜 뛰어난 정확도와 강건성을 입증하였다.
• 더 적은 특징과 글로벌 맵 없이도 F-LOAM를 초월하는 루프 클로저 정확도를 기록하여, 저편향 성질을 확인하였다.
• 소벨 및 푸리에 기반 마스크를 사용한 SRI 필터링은 효율적인 특징 추출과 포인트 클라우드 감소를 가능하게 하여 시스템의 경량성과 고속 성능에 직접 기여하였다.

Figure 2: Transformation of point clouds in $\mathbb{R}^{3}$ into a SRI $\mathbf{I}_{SRI}$ in $\mathbb{R}^{2}$ .