[논문 리뷰] LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation

Chao Qin, Haoyang Ye외 4명|arXiv (Cornell University)|2019. 07. 04.

Robotics and Sensor-Based Localization참고 문헌 29인용 수 17

한 줄 요약

LINS는 반복 오차상태 칼만 필터(ESKF)와 로보세트리크 상태 설정을 사용하여 경량이고 밀착된 라이다-자이로스코프 상태 추정기를 제안한다. 이는 지상 차량을 위한 실시간, 강건하고 정확한 자가운동 추정을 가능하게 한다. 기존 방법보다 10배 빠른 속도로 최신 기술 수준의 정확도를 달성하며, 기능이 부족한 환경에서 LIOM조차도 열등하다.

ABSTRACT

We present LINS, a lightweight lidar-inertial state estimator, for real-time ego-motion estimation. The proposed method enables robust and efficient navigation for ground vehicles in challenging environments, such as feature-less scenes, via fusing a 6-axis IMU and a 3D lidar in a tightly-coupled scheme. An iterated error-state Kalman filter (ESKF) is designed to correct the estimated state recursively by generating new feature correspondences in each iteration, and to keep the system computationally tractable. Moreover, we use a robocentric formulation that represents the state in a moving local frame in order to prevent filter divergence in a long run. To validate robustness and generalizability, extensive experiments are performed in various scenarios. Experimental results indicate that LINS offers comparable performance with the state-of-the-art lidar-inertial odometry in terms of stability and accuracy and has order-of-magnitude improvement in speed.

연구 동기 및 목표

• 라이다 단독 오도메트리가 희박한 점군으로 인해 실패하는 기능이 없는 환경(예: 개방된 지역, 항만)에서의 낮은 성능 문제를 해결한다.
• 최신 기술 수준의 그래프 기반 라이다-자이로스코프 오도메트리(LIOM 등)가 스캔당 100ms 이상을 초과하여 실시간 사용을 제한하는 계산 병목 현상을 해결한다.
• 필터 발산을 방지하기 위해 장기적인 안정성과 드리프트 감소를 위해 로보세트리크 상태 설정을 도입함으로써 자가운동 추정의 장기적 안정성을 향상시킨다.
• 3D 라이다와 6축 자이로스코프 데이터를 재귀적 오차상태 칼만 필터링을 통해 밀착 결합함으로써 고정밀, 실시간 항법을 달성한다.
• 기능이 희박하고 동적인 운동이 라이다 데이터를 왜곡시키는 도시, 숲, 실내 주차장 환경과 같은 도전적인 상황에서 뛰어난 성능을 입증한다.

제안 방법

• 반복 오차상태 칼만 필터(ESKF)를 사용하여 매 반복에서 새로운 기능 대응 관계를 생성함으로써 상태 추정치를 재귀적으로 보정함으로써 계산 부담을 증가시키지 않고 정확도를 향상시킨다.
• 로보세트리크 상태 설정을 사용하여 매 라이다 타임스텝마다 국소 기준 프레임을 업데이트함으로써 장기적 안정성과 필터 발산 방지를 가능하게 한다.
• 고주기 자이로스코프 측정값(100–500 Hz)과 3D 라이다 포인트 클라우드 기능을 상태 추정 프레임워크 안에서 밀착 결합하여 자세와 바이어스 상태를 동시에 최적화한다.
• 계산 비용을 줄이기 위해 기능 매칭을 이전 라이다 스캔에만 국한시키되, 자이로스코프 기반 운동 제약 조건을 통해 정확도를 유지한다.
• 자이로스코프 사전통합을 사용하여 시간 간격 동안의 관성 측정값을 모델링함으로써 노이즈를 감소시키고 효율적인 상태 전파를 가능하게 한다.
• 팩터리제이션 기반 칼만 필터 접근 방식을 적용하여 최적화 문제를 시간에 따라 재귀적으로 해결함으로써 그래프 기반 방법의 배치 최적화를 피하고 실시간 성능을 달성한다.

실험 결과

연구 질문

• RQ1 밀착된 라이다-자이로스코프 상태 추정기가 스캔당 30ms 이내의 실시간 성능를 달성하면서도 최신 기술 수준의 그래프 기반 방법과 비슷한 정확도를 유지할 수 있는가?
• RQ2 기능이 희박한 조건에서 로보세트리크 상태 설정이 장기적 안정성 향상과 드리프트 감소에 어떻게 기여하는가?
• RQ3 제한된 기능 매칭(이전 스캔만)을 사용하는 반복 ESKF가 희박한 점군 환경에서 정확도를 얼마나 유지할 수 있는가?
• RQ4 LINS는 기능이 부족하고 동적인 환경에서 LOAM, LeGO, LIOM에 비해 궤도 정확도와 강건성 측면에서 어떻게 성능을 발휘하는가?
• RQ5 라이다-자이로스코프 오도메트리에서 배치 최적화를 재귀적 칼만 필터링으로 대체할 경우 계산 효율성과 추정 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• 모든 시험 환경에서 LINS는 스캔당 평균 18–25ms의 런타임을 기록하여 LIOM의 143–223ms 대비 약 10배 빠른 성능을 달성했다.
• 도시 실험에서 LINS는 상대적 드리프트 1.79% (MRO)와 4.42% (PO)를 기록했으며, 이는 LIOM의 1.76%와 4.44%와 거의 동일했고, 계산 비용은 훨씬 낮았다.
• 항만 실험에서 LINS는 상대적 드리프트 1.56% (MRO)를 기록하여 LeGO(2.75%)와 LOAM(3.01%)를 모두 앞섰으며, 지도의 정밀도와 지상 진실값과의 궤도 정렬 성능이 뛰어났다.
• 기능이 희박한 도시 환경(스캔당 평균 56개의 에지 기능)에서도 LINS는 최소한의 드리프트로 안정적인 성능을 유지했고, LeGO와 LOAM는 심각한 자세 오차와 궤도 이탈을 보였다.
• LINS에서 유도된 3D 지도는 실제 장면, 특히 기능이 없는 지역에서도 구글맵과 높은 정합도를 보였으며, 강건성과 고정밀 재구성 능력을 확인했다.
• LINS는 모든 시나리오에서 LIOM와 비슷한 정확도를 달성하면서도 훨씬 더 빠른 성능을 보였으며, 재귀적 ESKF 기반 추정이 실시간 응용에서 배치 그래프 최적화를 능가할 수 있음을 입증했다.