[논문 리뷰] Monocular Vehicle Self-localization method based on Compact Semantic Map

Zhongyang Xiao, Kun Jiang외 4명|arXiv (Cornell University)|2018. 05. 16.

Robotics and Sensor-Based Localization참고 문헌 12인용 수 5

한 줄 요약

이 논문은 도시 환경에서 고정밀 자동차 자율주행을 달성하기 위해 압축된 3차원 의미 지ap을 사용하는 단일 카메라 기반 차량 자기 위치 추정 방법을 제안한다. 심층 학습을 통한 지표 인식, 기하학적 특징 추출, 지도-이미지 정합을 통한 강력한 재투영 오차 최소화 기법을 융합함으로써, 최신 기술 대비 센서 및 지도 저장 요구 사항을 줄이고도 0.345 m RMS 정밀도를 달성한다.

ABSTRACT

High precision localization is a crucial requirement for the autonomous driving system. Traditional positioning methods have some limitations in providing stable and accurate vehicle poses, especially in an urban environment. Herein, we propose a novel self-localizing method using a monocular camera and a 3D compact semantic map. Pre-collected information of the road landmarks is stored in a self-defined map with a minimal amount of data. We recognize landmarks using a deep neural network, followed with a geometric feature extraction process which promotes the measurement accuracy. The vehicle location and posture are estimated by minimizing a self-defined re-projection residual error to evaluate the map-to-image registration, together with a robust association method. We validate the effectiveness of our approach by applying this method to localize a vehicle in an open dataset, achieving the RMS accuracy of 0.345 meter with reduced sensor setup and map storage compared to the state of art approaches. We also evaluate some key steps and discuss the contribution of the subsystems.

연구 동기 및 목표

• 도시 환경에서 전통적 위치 추정 방법의 한계, 특히 불안정성과 정확도 부족 문제를 해결하기 위해.
• 단일 카메라와 압축된 의미 지도만을 사용하여 고정밀 차량 위치 추정을 가능하게 하기 위해.
• 높은 위치 추정 정확도를 유지하면서도 센서 및 지도 저장 요구 사항을 줄이기 위해.
• 어려운 도시 조건에서 감지된 지표를 지도 특징과 연결하는 강력한 방법을 개발하기 위해.
• 개방형 데이터셋에서 방법을 검증하고 개별 서브시스템의 기여도를 분석하기 위해.

제안 방법

• 자체 정의한 압축된 3차원 의미 지도가 최소한의 데이터 형식으로 사전 수집된 도로 지표 정보를 저장한다.
• 심층 신경망을 사용하여 단일 카메라 입력에서 시각적 지표를 인식한다.
• 기하학적 특징 추출이 지표 대응 정확도를 향상시켜 측정 정확도를 높인다.
• 지도를 이미지와 일치시키기 위해 자체 정의한 재투영 잔차 오차를 최소화함으로써 차량 자세를 추정한다.
• 잡음이 많거나 모호한 도시 환경에서도 신뢰성을 향상시키기 위해 강력한 데이터 연동 방법을 적용한다.
• 재투영 오차 최적화를 반복적으로 수행함으로써 지도-이미지 정합을 통합한다.

실험 결과

연구 질문

• RQ1 압축된 의미 지도를 사용하는 단일 카메라 시스템이 도시 환경에서 고정밀 차량 위치 추정을 달성할 수 있는가?
• RQ2 제안된 방법은 최신 기술 대비 위치 추정 정확도와 자원 효율성 측면에서 어떻게 비교되는가?
• RQ3 지표 인식, 기하학적 특징 추출, 강력한 연동이 종합적인 위치 추정 성능에 기여하는 정도는 어떠한가?
• RQ4 재투영 오차 최소화 전략은 자세 추정 정확도를 어떻게 향상시키는가?
• RQ5 지도의 압축성과 감소된 센서 설정은 시스템의 확장성과 구현에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 개방형 데이터셋에서 0.345 미터의 RMS 위치 추정 정밀도를 달성하여 높은 정밀도를 입증한다.
• 최신 기술 대비 센서 및 지도 저장 요구 사항을 크게 줄였다.
• 지표 인식을 위한 심층 학습과 기하학적 특징 추출의 통합이 측정 정확도를 향상시킨다.
• 강력한 데이터 연동 방법은 가림과 시각적 혼잡이 심한 복잡한 도시 환경에서 성능을 향상시킨다.
• 제거 실험 결과, 지표 인식, 특징 추출, 오차 최소화 등 각 서브시스템이 종합 정확도에 의미 있는 기여를 한다는 것이 확인되었다.
• 압축된 의미 지도 덕분에 성능을 저하시키지 않은 채 효율적인 저장과 실시간 처리가 가능해졌다.