[논문 리뷰] NDD: A 3D Point Cloud Descriptor Based on Normal Distribution for Loop Closure Detection

Ruihao Zhou, Li He외 3명|arXiv (Cornell University)|2022. 09. 26.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

이 논문은 LiDAR 기반 루프 클로처 검출을 위한 새로운 3D 포인트 클라우드 글로벌 기술자인 정규분포 기술자(NDD)를 제안한다. NDD는 포인트 클라우드의 확률 밀도 점수와 엔트로피를 모두 인코딩한다. 상관계수 유사도와 행 벡터 변환을 통한 빠른 회전 정렬을 활용하여, KITTI 및 Mulran 데이터셋에서 0.896의 F1 점수와 총 72ms의 시간 비용을 기록하며 기존 방법들을 능가하는 최신 기술 수준의 정확도와 효율성을 달성한다.

ABSTRACT

Loop closure detection is a key technology for long-term robot navigation in complex environments. In this paper, we present a global descriptor, named Normal Distribution Descriptor (NDD), for 3D point cloud loop closure detection. The descriptor encodes both the probability density score and entropy of a point cloud as the descriptor. We also propose a fast rotation alignment process and use correlation coefficient as the similarity between descriptors. Experimental results show that our approach outperforms the state-of-the-art point cloud descriptors in both accuracy and efficency. The source code is available and can be integrated into existing LiDAR odometry and mapping (LOAM) systems.

연구 동기 및 목표

• 기존 글로벌 기술자들이 3D LiDAR 루프 클로저 검출에서 방향 민감성과 계산 비효율성 문제를 해결하기 위한 것이다.
• 딥러닝이나 복잡한 클러스터링을 요구하지 않고도 포인트 클라우드의 국소 분포 및 구조적 특성을 모두 포괄하는 수작업 기반 글로벌 기술자를 개발하기 위한 것이다.
• 코사인 유사도를 상관계수로 대체하고 빠른 회전 정렬 방법을 도입함으로써 매칭 정확도와 검색 속도를 향상시키기 위한 것이다.
• 실시간 구현에 적합한 낮은 계산 비용을 유지하면서도 표준 벤치마크에서 높은 성능을 달성하기 위한 것이다.

제안 방법

• NDD는 국소 포인트 클라우드 이웃 영역에 적합된 정규분포 모델에서 유도된 두 가지 척도 통계, 즉 확률 밀도 점수(P)와 엔트로피(E)를 사용하여 3D 포인트 클라우드를 인코딩한다.
• 전체 기술자를 1×Ns 행 벡터로 변환하여 상관계수를 통한 빠른 유사도 계산을 가능하게 하며, 기존의 코사인 유사도를 대체한다.
• 열 기반 이동 비교를 통한 새로운 빠른 회전 정렬 전략을 제안하여, 매트릭스 기반 비교 대비 정렬 시간을 크게 감소시켰다.
• 기존 스캔 컨텍스트와 유사한 격자 기반 투영을 사용하여 20×60 해상도로 기술자를 생성하며, 스케일 및 해상도 변화에 대한 강건성을 확보하기 위해 높이 기반 인코딩을 적용한다.
• 전체 기술자 비교 대비 평균 시간 비용을 99% 감소시키기 위해 키프레임 검색 전략을 도입하여 검색 속도를 가속화한다.
• 기술자 간의 유사도 측정으로 상관계수를 사용하였으며, 이는 매칭 성능에서 코사인 유사도보다 더 효과적임을 입증하였다.

Figure 1: Approach overview. First, one point cloud is divided into cells and one cell is represented by its probability density score and entropy. Then, A vector named searching key is compressed from full descriptor and used to create a KD-tree for retrieving the nearest neighbors. Finally, the re

실험 결과

연구 질문

• RQ1 포인트 클라우드의 통계적 성질에 기반한 수작업 기반 글로벌 기술자가 기존 최신 기술 수준의 방법보다 루프 클로저 검출 정확도와 효율성에서 뛰어난 성능을 낼 수 있는가?
• RQ2 확률 밀도 점수와 엔트로피의 조합이 시점 및 노이즈 변화에 대한 기술자 강건성에 어떻게 기여하는가?
• RQ3 코사인 유사도를 상관계수로 대체할 경우 실제 LiDAR 데이터셋에서 매칭 성능 향상이 실제로 측정 가능한가?
• RQ4 제안된 빠른 회전 정렬 방법은 정확도를 희생시키지 않고 계산 비용을 얼마나 줄일 수 있는가?
• RQ5 이 기술자는 기존 LiDAR 오도메트리 및 매핑(LOAM) 시스템에 효율적으로 통합될 수 있는가?

주요 결과

• 제안된 NDD 기술자는 KITTI 08 데이터셋에서 0.896의 F1 점수를 기록하여, 모든 단일 기능 기반 베이스라인과 다음으로 높은 성능을 보인 ISC 방법보다 3.6% 포인트 높은 성능을 달성했다.
• NDD에서 확률 밀도 점수와 엔트로피(P+E)의 조합은 최고의 단일 기능 방법(P) 대비 13.1% 높은 F1 점수를 기록하여 다중 척도 통계 인코딩의 효과를 입증했다.
• 상관계수 유사도를 사용함으로써 코사인 유사도 대비 F1 점수는 8.2% 향상되고, EP는 5.4% 향상되어, 기술자 매칭에서의 상관계수의 우수성을 확인했다.
• KITTI 08에서 NDD의 총 시간 비용은 72ms로, IRIS(5533ms)와 M2DP(180ms)보다 현저히 낮았으며, ISC(76ms)와 유사한 시간 비용을 기록했지만 훨씬 높은 정확도를 확보했다.
• 행 벡터 기반의 회전 정렬은 정렬 시간을 9.78ms로 줄여 매트릭스 기반 및 이진화 기반 방법 대비 각각 53%, 56% 향상시켰다.
• Mulran Sejong 01 데이터셋에서 키프레임 검색 전략은 검색 시간을 1567ms에서 35ms로 감소시켰으며, F1 점수는 오직 0.4% 감소에 그쳐 실용적 효율성을 입증했다.

Figure 2: Cell division of a BEV representation