[논문 리뷰] NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping

Junyuan Deng, Xieyuanli Chen외 5명|arXiv (Cornell University)|2023. 03. 19.

Robotics and Sensor-Based Localization인용 수 6

한 줄 요약

NeRF-LOAM은 대규모 점진적 LiDAR 온도메트리 및 맵핑을 위한 새로운 신경 암시적 표현을 제안하며, 지면/비지면 점 분리와 함께 신경 서피스 거리 함수(SDF)를 공동 최적화하여 Z축 드리프트를 억제하고 고해상도 3D 메시 재구성을 가능하게 한다. 사전 훈련 없이도 상태 기반 성능을 달성하며, 동적 바이트 엔베딩과 关건 스캔 정밀 조정을 통해 다양한 실외 환경에서 잘 일반화된다.

ABSTRACT

Simultaneously odometry and mapping using LiDAR data is an important task for mobile systems to achieve full autonomy in large-scale environments. However, most existing LiDAR-based methods prioritize tracking quality over reconstruction quality. Although the recently developed neural radiance fields (NeRF) have shown promising advances in implicit reconstruction for indoor environments, the problem of simultaneous odometry and mapping for large-scale scenarios using incremental LiDAR data remains unexplored. To bridge this gap, in this paper, we propose a novel NeRF-based LiDAR odometry and mapping approach, NeRF-LOAM, consisting of three modules neural odometry, neural mapping, and mesh reconstruction. All these modules utilize our proposed neural signed distance function, which separates LiDAR points into ground and non-ground points to reduce Z-axis drift, optimizes odometry and voxel embeddings concurrently, and in the end generates dense smooth mesh maps of the environment. Moreover, this joint optimization allows our NeRF-LOAM to be pre-trained free and exhibit strong generalization abilities when applied to different environments. Extensive evaluations on three publicly available datasets demonstrate that our approach achieves state-of-the-art odometry and mapping performance, as well as a strong generalization in large-scale environments utilizing LiDAR data. Furthermore, we perform multiple ablation studies to validate the effectiveness of our network design. The implementation of our approach will be made available at https://github.com/JunyuanDeng/NeRF-LOAM.

연구 동기 및 목표

• 실외 환경에서 대규모 점진적 LiDAR 온도메트리 및 맵핑을 위한 신경 암시적 방법의 부족을 해결하기 위해.
• 신경 SDF 표현에서 지면 및 비지면 LiDAR 점을 분리하여 재구성 정밀도를 향상시키고 Z축 드리프트를 감소시키기 위해.
• 자세, 바이트 엔베딩, SDF의 공동 최적화를 통해 사전 훈련 없이 다양한 대규모 실외 환경에서 잘 일반화되도록 하기 위해.
• 사전 할당 또는 루프 클로징 없이도 빠르고 점진적인 처리를 지원하는 동적 바이트 엔베딩 전략을 개발하기 위해.
• 관련 자세 및 맵 최적화를 위한 관건 스캔 정밀 조정을 통해 맵 품질과 강건성을 향상시키기 위해.

제안 방법

• 지면 및 비지면 점을 분리하는 신경 서피스 거리 함수(SDF)를 제안하며, 표면 법선을 활용하여 Z축 정확도를 향상시키고 드리프트를 감소시킨다.
• 동적 생성을 통해 빠르고 점진적인 할당이 가능한 스퍼스 옥트리 기반 바이트 엔베딩 시스템을 도입하여 사전 할당 또는 메모리 폭발을 방지한다.
• LiDAR 스캔에서 SDF 예측 오차를 최소화함으로써 신경 SDF, 바이트 엔베딩, 6-DOF 자세를 공동 최적화한다.
• 관건 스캔을 사용하여 자세 및 맵을 공동으로 정밀 조정함으로써 치명적인 기억 상실을 감소시키고 재구성의 부드러움과 완전성을 향상시킨다.
• 신경 암시적 디코더를 사용하여 학습된 바이트 엔베딩에서 연속적인 SDF를 재구성하여 고밀도이고 부드러운 3D 메시 맵을 가능하게 한다.
• 자세 정밀 조정과 SDF 업데이트를 번갈아 가며 수행하는 다단계 최적화 파이프라인을 적용하여 수렴성과 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 SDF 기반 신경 암시적 표현이 사전 훈련 없이도 대규모 점진적 LiDAR 온도메트리 및 맵핑을 효과적으로 가능하게 할 수 있는가?
• RQ2 지면 및 비지면 점을 분리하는 것이 실외 LiDAR SLAM에서 Z축 드리프트와 재구성 품질에 어떤 영향을 미치는가?
• RQ3 관건 스캔 정밀 조정이 점진적 LiDAR 맵핑에서 맵의 완전성과 부드러움을 얼마나 향상시키는가?
• RQ4 고정 또는 사전 할당된 바이트 격자에 비해 동적 바이트 엔베딩 전략은 메모리 효율성과 확장성 측면에서 어떻게 비교되는가?
• RQ5 자세와 SDF의 공동 최적화가 도메인 특화 미세 조정 없이도 다양한 실외 데이터셋에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• NeRF-LOAM은 MaiCity 데이터셋에서 0.17 m의 최신 기술 수준의 절대 궤적 오차(ATE)를 기록했으며, Newer College에서는 0.15 m를 달성하여 이전의 학습 기반 및 비학습 기반 방법들을 능가한다.
• 지면 분리 기능을 통해 Z축 드리프트가 크게 감소하였으며, 자세 오차의 평균 제곱근 오차(RMSE)가 분리 없이 6.13 m에서 지면 분리 시 5.69 m로 감소했고, 궤적 분리 현상은 완전히 제거되었다.
• 관건 스캔 정밀 조정 덕분에 MaiCity에서 맵 F-점수는 48.78에서 77.26으로, Newer College에서는 61.10에서 74.37로 상승하여 완전성과 정확도 향상이 뚜렷하게 나타났다.
• MaiCity에서 77.26의 F-점수, Newer College에서 74.37의 F-점수를 기록하여 다양한 대규모 실외 환경에서 강력한 일반화 능력을 입증했다.
• 절단 분석 결과, 지면 분리와 관건 스캔 정밀 조정이 모두 필수적임을 확인하였으며, 특히 후자는 재구성 메시에서 '물결무늬' 및 구멍과 같은 시각적 잡음을 감소시켰다.
• 사전 훈련 없이도 다양한 데이터셋에 잘 일반화되며, 기존 방법이 실패하는 Newer College와 같은 환경에서도 강건성과 적응 능력이 뛰어나다는 것을 입증했다.