[논문 리뷰] LINS: A Lidar-Inerital State Estimator for Robust and Fast Navigation

Chao Qin, Haoyang Ye외 3명|arXiv (Cornell University)|2019. 07. 04.

Robotics and Sensor-Based Localization참고 문헌 28인용 수 7

한 줄 요약

LINS는 3차원 라이다와 자이로스코프 측정 장치(IMU) 데이터를 반복적인 오차 상태 칼만 필터를 사용해 밀접하게 융합하는 라이다-자이로스코프 상태 추정기이다. 이는 강력하고 빠른 자가 운동 추정을 달성하며, 라이다 단독 방법보다 정확도가 뛰어나고 최신 라이다-자이로스코프 융합 방법보다 거의 10배 빠르게 작동한다.

ABSTRACT

Robust and fast ego-motion estimation is a critical problem for autonomous robots. With high reliability and precision, 3D-lidar-based simultaneous localization and mapping (SLAM) has been widely used in the robotics community to solve this problem. However, the lidar alone is not enough to provide full autonomy to robot navigation in terms of robustness and operating scope, especially in feature-less scenes. In this paper, we present LINS: a lidar-inertial state estimator for robust and fast navigation. Our approach tightly couples the 3D lidar and the inertial measurement unit (IMU) by an iterative error-state Kalman filter (IESKF). To validate generalizability and long-time practicability, extensive experiments are performed in a variety of scenarios including the city, port, forest, and parking lot. The results indicate that LINS outperforms the lidar-only methods in terms of accuracy and it is faster than the state-of-the-art lidar-inertial fusion methods in nearly an order of magnitude.

연구 동기 및 목표

• 특징이 없는 환경에서 라이다 단독 SLAM의 한계를 해결하기 위해 관성 측정 데이터를 통합한다.
• 라이다 단독으로는 달성할 수 없는 범위를 넘어서 자율 로봇 항법의 강성과 적용 범위를 향상시킨다.
• 장시간 동안 및 도전적인 상황에서도 높은 정확도를 유지하면서 실시간 구현이 가능한 상태 추정기를 개발한다.
• 기존 라이다-자이로스코프 융합 방법보다 정확도를 유지하거나 향상시키면서도 상당한 속도 향상을 달성한다.

제안 방법

• LINS는 3차원 라이다와 자이로스코프 측정 장치(IMU) 데이터를 밀접하게 융합하기 위해 반복적인 오차 상태 칼만 필터(IESKF)를 사용한다.
• IESKF는 혁신 피드백을 통해 상태 추정치를 반복적으로 보정함으로써 비선형 오차 역학에서 수렴성과 정확도를 향상시킨다.
• 라이다 측정치는 스캔-매핑 매칭을 통해 상태 추정치를 보정하는 데 사용되며, IMU 데이터는 고주기 사전 추정(데드레코닝)을 제공한다.
• 추정기는 라이다 및 IMU의 위치, 속도, 자세, 오프셋 등을 포함한 전체 3차원 상태 벡터를 유지한다.
• 융합 프레임워크는 계산 효율성이 뛰어나 일반 하드웨어에서도 실시간 성능을 달성할 수 있도록 설계되어 있다.
• IESKF의 반복적 보정은 선형화 오차를 감소시키고 동적인 또는 특징이 적은 환경에서의 강성을 향상시킨다.

실험 결과

연구 질문

• RQ1 반복적인 오차 상태 칼만 필터를 통한 라이다와 IMU의 밀착 융합이 특징이 적은 환경에서 항법의 강성을 크게 향상시킬 수 있는가?
• RQ2 다양한 실제 환경에서 LINS는 라이다 단독 SLAM 방법과 비교해 정확도와 속도 면에서 어떻게 성능을 내는가?
• RQ3 IESKF의 반복적 보정이 표준 ESKF 접근 방식에 비해 추정 정확도를 얼마나 향상시키는가?
• RQ4 LINS는 숲과 항구와 같은 도전적인 환경에서 장시간에 걸쳐도 높은 성능을 유지할 수 있는가?
• RQ5 최신 라이다-자이로스코프 융합 방법 대비 LINS의 계산 효율성은 어떠한가?

주요 결과

• LINS는 도시, 항구, 숲, 주차장 등 모든 테스트 환경에서 라이다 단독 SLAM 방법보다 더 높은 정확도를 달성한다.
• 특징이 없는 장면에서 라이다 단독 방법이 자주 실패하는 상황에서도 LINS는 강력한 성능을 보여준다.
• LINS는 최신 라이다-자이로스코프 융합 방법보다 거의 10배 빠르게 작동하여 실시간 구현이 가능하다.
• 반복적인 오차 상태 칼만 필터는 비반복적 접근 방식에 비해 수렴성 향상과 추정 오차 감소에 크게 기여한다.
• 광범위한 실험을 통해 LINS가 다양한 도전적인 환경에서 일반화 가능하고 장기적으로 실용 가능하다는 것이 확인되었다.
• IESKF를 통한 라이다와 IMU 데이터 융합은 고역동 조건에서도 안정적이고 정확한 상태 추정을 가능하게 한다.