[논문 리뷰] Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments

Li Sun, Daniel Adolfsson외 4명|arXiv (Cornell University)|2020. 03. 04.

Robotics and Sensor-Based Localization참고 문헌 30인용 수 4

한 줄 요약

이 논문은 6-DOF 자세 추정을 위한 딥 가우시안 프로세스 모델을 사용해 몬테 카를로 국소화(MCL)를 초기화함으로써 MCL의 속도를 높이는 하이브리드 라이다 기반 국소화 방법을 제안한다. 학습 기반 추론과 중요도 표본 추출을 통한 기하학적 검증을 통합함으로써, 대규모 환경에서 평균 국소화 시간이 1.94초 이내로, 정밀도는 0.75m에 도달하며, 기준 MCL 대비 MCL 실행 시간을 99.5% 감소시킨다.

ABSTRACT

This paper proposes a novel approach for global localisation of mobile robots in large-scale environments. Our method leverages learning-based localisation and filtering-based localisation, to localise the robot efficiently and precisely through seeding Monte Carlo Localisation (MCL) with a deep-learned distribution. In particular, a fast localisation system rapidly estimates the 6-DOF pose through a deep-probabilistic model (Gaussian Process Regression with a deep kernel), then a precise recursive estimator refines the estimated robot pose according to the geometric alignment. More importantly, the Gaussian method (i.e. deep probabilistic localisation) and non-Gaussian method (i.e. MCL) can be integrated naturally via importance sampling. Consequently, the two systems can be integrated seamlessly and mutually benefit from each other. To verify the proposed framework, we provide a case study in large-scale localisation with a 3D lidar sensor. Our experiments on the Michigan NCLT long-term dataset show that the proposed method is able to localise the robot in 1.94 s on average (median of 0.8 s) with precision 0.75~m in a large-scale environment of approximately 0.5 km2.

연구 동기 및 목표

• 실내 산업 시설이나 지하 광산과 같은 GPS가 불가능한 대규모 환경에서 효율적이고 정밀한 글로벌 국소화 문제를 해결하기 위해.
• 큰 지도에서 균일한 입자 분포로 초기화할 경우 몬테 카를로 국소화(MCL)의 수렴 속도가 느려지는 문제를 해결하기 위해.
• 딥 러닝 기반 자세 추정의 속도와 MCL과 같은 필터링 기반 방법의 기하학적 정밀도를 통합하기 위해.
• 3D 라이다 데이터만을 사용하여 실시간으로 정밀한 국소화를 가능하게 하기 위해, 대규모 환경(예: 0.5 km²)에서 구현하기 위해.
• 중요도 표본 추출을 통한 가우시안(GP) 및 비가우시안(MCL) 확률 모델 간의 원활한 융합 메커니즘을 개발하기 위해.

제안 방법

• 초음파 라이다 스캔을 겹쳐 놓은 데이터로부터 6-DOF 자세 분포를 추정하기 위해 깊이 커널을 사용한 가우시안 프로세스 회귀 기반의 딥 확률 모델을 훈련한다.
• 추정된 가우시안 프로세스 분포를 사용해 MCL 입자를 초기화하며, 균일하거나 히우리스틱 기반 초기화를 대체한다.
• 중요도 표본 추출을 통해 GP의 예측 분포를 MCL와 융합함으로써, 학습 기반 및 필터링 기반 시스템 간 상호 이점을 실현한다.
• MCL에서 측정 가능성 밀도 계산을 효율적으로 수행하기 위해 희소 정규화된 밀도 변환(NDT) 모델을 사용한다.
• 동적 입자 수(500–1000)와 적응형 재표본 추출을 통해 효율성을 유지하면서, MCL을 통해 입자를 순차적으로 재표본 및 갱신한다.
• 입자 수를 제한하고 계산의 타당성을 향상시키기 위해 0.2m 해상도의 바이트 격자(Voxel grid)를 사용한다.

실험 결과

연구 질문

• RQ1 딥 가우시안 프로세스 모델이 대규모 라이다 환경에서 MCL에 대해 신뢰할 수 있고 정보적인 사전 분포를 제공할 수 있는가?
• RQ2 가우시안 프로세스(GP)와 비가우시안 입자 필터(MCL)의 비공액 조합을 효과적으로 통합할 수 있는가?
• RQ3 학습된 GP 분포로 MCL를 초기화하면 균일하거나 고정된 초기화 방식에 비해 국소화 시간을 크게 줄일 수 있는가?
• RQ4 GP에서 추정한 불확실성 추정치가 장기적이고 동적인 환경에서 잘못된 양성 결과에 대한 강건성을 얼마나 향상시킬 수 있는가?
• RQ5 하이브리드 시스템은 대규모 지도에서 센티미터 수준의 정밀도를 확보하면서도 평균 국소화 시간을 1초 이내로 유지할 수 있는가?

주요 결과

• 하이브리드 방법은 밀란드 NCLT 데이터셋에서 평균 국소화 시간이 1.94초(중위수 0.8초)를 기록하며, 기준 MCL 대비 99.5% 감소하였다.
• 이 시스템은 약 0.5 km² 크기의 대규모 환경에서 0.75m 정밀도로 국소화를 수행하여 자율 주행에 실용적인 요구 조건을 충족시켰다.
• 하이브리드 방법의 성공률은 초기 월(예: 1월~4월)에 가장 높았으며, 11월과 12월에 들어서면서 새로운 경로와 랜드마크 증가로 인해 감소하였다.
• GP 기반 불확실성으로 입자 초기화를 수행한 결과, 기준 MCL 대비 국소화 시간이 99.5% 감소하였으며, 이는 54% 성공률과 평균 154.3초의 시도 시간을 기록한 기준 MCL 대비 뛰어난 성능을 보였다.
• 고정 공분산 초기화 대비 GP 기반 공분산 초기화가 더 우수한 성능을 보였으며, 이는 불확실성 인식 입자 표본 추출이 수렴 속도와 신뢰성 향상에 크게 기여함을 시사한다.
• 중요도 표본 추출을 통한 딥 러닝과 필터링의 융합은 빠른 추론과 기하학적 검증 간 원활하고 상호 이점이 되는 운영을 가능하게 하였다.