[논문 리뷰] LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud

Yunge Cui, Yinlong Zhang외 4명|arXiv (Cornell University)|2022. 06. 13.

Robotics and Sensor-Based Localization인용 수 7

한 줄 요약

LinK3D는 고정밀한 근접 키포인트를 사용하여 3D LiDAR 포인트 클라우드 기능 표현을 제안하며, 이는 높은 정확도와 실시간 기능 매칭을 가능하게 한다. 64빔 LiDAR에서 10Hz 속도로 30ms의 기능 추출과 20ms의 매칭을 달성하여, 희박하고 대규모의 환경에서 기존 방법에 비해 효율성과 강인성을 뛰어나게 한다.

ABSTRACT

Feature extraction and matching are the basic parts of many robotic vision tasks, such as 2D or 3D object detection, recognition, and registration. As is known, 2D feature extraction and matching have already achieved great success. Unfortunately, in the field of 3D, the current methods may fail to support the extensive application of 3D LiDAR sensors in robotic vision tasks due to their poor descriptiveness and inefficiency. To address this limitation, we propose a novel 3D feature representation method: Linear Keypoints representation for 3D LiDAR point cloud, called LinK3D. The novelty of LinK3D lies in that it fully considers the characteristics (such as the sparsity and complexity) of LiDAR point clouds and represents the keypoint with its robust neighbor keypoints, which provide strong constraints in the description of the keypoint. The proposed LinK3D has been evaluated on three public datasets, and the experimental results show that our method achieves great matching performance. More importantly, LinK3D also shows excellent real-time performance, faster than the sensor frame rate at 10 Hz of a typical rotating LiDAR sensor. LinK3D only takes an average of 30 milliseconds to extract features from the point cloud collected by a 64-beam LiDAR and takes merely about 20 milliseconds to match two LiDAR scans when executed on a computer with an Intel Core i7 processor. Moreover, our method can be extended to LiDAR odometry task, and shows good scalability. We release the implementation of our method at https://github.com/YungeCui/LinK3D.

연구 동기 및 목표

• 대규모 환경에서 발생하는 희박하고 비정규적이며 복잡한 포인트 클라우드를 다루는 데에 한계가 있는 기존 3D LiDAR 기능 기법의 문제점을 해결한다.
• 기존 수작업 설계 및 학습 기반 3D 기능 추출 기법에서 낮은 기술성과 비효율성 문제를 해결한다.
• 로봇 시각 작업에 적합한 고주파 LiDAR 센서(≥10Hz)에서 실시간 성능을 달성하도록 한다.
• 지역 이웃 제약 조건을 활용하여 반복 구조(예: 평면, 기둥)와 동적 물체가 있는 환경에서의 매칭 정확도를 향상시킨다.
• LiDAR 온도미터 및 SLAM 시스템과 같은 후속 작업에 대한 확장성을 입증한다.

제안 방법

• 기하학적 클러스터링 전략을 사용해 희박한 3D LiDAR 포인트 클라우드에서 강인한 집합 키포인트를 추출한다.
• 선형적이고 불변적인 기술자 기반으로 이웃 키포인트의 공간적 구성 정보를 인코딩하여 각 키포인트를 표현한다.
• 이웃 키포인트의 상대적 위치 기반으로 회전 및 이동에 불변적인 단순화된 벡터로 기술자를 정의한다.
• LiDAR 온도미터에서 스캔 간 정렬을 위해 SVD 기반 해법을 사용하며, 기존 ICP를 LinK3D 기반 매칭 기능으로 대체한다.
• A-LOAM의 프론트엔드에 LinK3D를 통합하여 온도미터를 수행하며, LinK3D 매칭에 실패할 경우 원래 A-LOAM로 백업한다.
• 표준 하드웨어에서 저지연 실행을 위해 파이프라인 최적화를 수행하여 실시간 성능을 달성한다.

실험 결과

연구 질문

• RQ1 지역 이웃 기하학적 구조에 기반한 수작업 설계된 3D 기능 기술자가 희박한 LiDAR 포인트 클라우드에서 높은 매칭 정확도를 달성할 수 있는가?
• RQ2 제안된 LinK3D 방법이 기존 수작업 설계 및 딥러닝 기반 방법에 비해 매칭 정확도와 실시간 효율성 측면에서 뛰어나게 성능을 발휘하는가?
• RQ3 에지 특징가 제한된 비정형 환경(예: 고속도로, 숲)에서 LinK3D의 강인성은 어떠한가?
• RQ4 LinK3D가 LiDAR 온도미터 시스템에 효과적으로 통합되어 높은 정확도를 유지하면서도 계산 부담을 줄일 수 있는가?
• RQ5 다양한 LiDAR 빔 수(16, 32, 64)와 다양한 실제 환경에서 기술자가 얼마나 일반화되는가?

주요 결과

• Intel Core i7 프로세서를 사용한 64빔 LiDAR에서 LinK3D는 평균 30밀리초의 기능 추출 시간과 20밀리초의 매칭 시간을 기록한다.
• KITTI 09(숲 환경)에서는 유효한 대응 관계의 99.9%를 매칭했으며, KITTI 02(숲)에서는 97.6%, KITTI 01(고속도로)에서는 88.6%를 매칭하여 구조화된 환경에서 뛰어난 성능을 보였다.
• LinK3D 기반 LiDAR 온도미터에서는 KITTI 데이터셋에서 평균 이동 오차 1.24와 회전 오차 0.37를 기록했으며, CLS 및 LOAM와 같은 최첨단 방법과 유사한 성능을 보였다.
• GPU 가속 모델과 유사한 데이터셋에서의 성능을 고려할 때, CPU 기반으로도 딥러닝 기반 접근법보다 빠른 추론 속도를 확보했다.
• 최소한의 수정으로 A-LOAM 온도미터 파이프라인에 성공적으로 통합되었으며, 실패 시 백업 기능을 제공함으로써 확장성과 신뢰성을 입증했다.
• 희박성과 노이즈에 대해 강인하며, 동적 물체와 가림 현상이 있는 환경에서도 높은 정확도를 유지한다.