[논문 리뷰] OpenStreetMap-based LiDAR Global Localization in Urban Environment without a Prior LiDAR Map

Younghun Cho, Giseop Kim외 2명|arXiv (Cornell University)|2022. 02. 15.

Remote Sensing and LiDAR Applications인용 수 4

한 줄 요약

이 논문은 사전에 구축된 LiDAR 지ap을 필요로 하지 않고, OpenStreetMap (OSM) 건물 데이터를 사용하여 차량의 전역 위치를 특정하는 새로운 LiDAR 기반 전역 위치 추정 방법을 제안한다. OSM에서 유도된 기술자와 실시간 LiDAR 스캔 기술자를 비교함으로써, PointNetVLAD와 같은 딥러닝 기반 LiDAR 지도 방법과 유사한 정확도를 달성하며, KITTI 시퀀스 00에서 상위 1위 정확도에서 슈퍼어리어를 기록한다.

ABSTRACT

Using publicly accessible maps, we propose a novel vehicle localization method that can be applied without using prior light detection and ranging (LiDAR) maps. Our method generates OSM descriptors by calculating the distances to buildings from a location in OpenStreetMap at a regular angle, and LiDAR descriptors by calculating the shortest distances to building points from the current location at a regular angle. Comparing the OSM descriptors and LiDAR descriptors yields a highly accurate vehicle localization result. Compared to methods that use prior LiDAR maps, our method presents two main advantages: (1) vehicle localization is not limited to only places with previously acquired LiDAR maps, and (2) our method is comparable to LiDAR map-based methods, and especially outperforms the other methods with respect to the top one candidate at KITTI dataset sequence 00.

연구 동기 및 목표

• 사전에 구축된 LiDAR 지도에 의존하지 않고 LiDAR 기반 전역 차량 위치 추정을 가능하게 하기 위해.
• 기존 OSM 기반 위치 추정 방법의 한계를 해결하기 위해, 정밀도를 확보하기 위해 추가 필터링이나 입자 필터를 필요로 하지 않는 방법을 개발하기 위해.
• 정적 OSM 건물 데이터와 실시간 LiDAR 스캔만을 사용하여 효율적이고 정확한 기술자 기반 방법을 개발하기 위해.
• OSM 기반 기술자가 LiDAR 지도 기반 딥러닝 방법과 유사한 성능을 달성할 수 있음을 입증하기 위해.
• KITTI 및 KITTI-360과 같은 표준 벤치마크에서 검증하여 도시 환경에서의 강인성과 확장성을 입증하기 위해.

제안 방법

• 정기적인 각도 간격(예: 1° 또는 2°)으로 도로 상의 각 점에서 가장 가까운 건물까지의 최단 거리를 계산하여 OSM 기반 기술자를 생성한다.
• 동일한 각도 해상도에서 실시간 3차원 포인트 클라우드에서 건물 포인트까지의 최소 거리를 측정하여 LiDAR 기술자를 추출한다.
• 배경 건물의 공간적 레이아웃을 인코딩하는 1차원 기술자 표현 방식을 사용하여 회전 불변성 매칭을 가능하게 한다.
• 유사도 측정 기준을 사용하여 쿼리 스캔의 LiDAR 기술자와 데이터베이스 내 모든 OSM 기술자를 비교하여 전역 위치 추정을 수행한다.
• 이중 단계 검색을 적용한다: 첫 번째 단계에서는 기술자 유사도 기반으로 상위 200개 후보를 추출하고, 두 번째 단계에서는 최상의 결과를 더 정밀한 매칭 단계로 보정한다.
• OSM 건물 데이터의 정적 성격을 활용하여 LiDAR 데이터 수집이 필요 없이 지속 가능한 지도형 기반 참조를 구축한다.

실험 결과

연구 질문

• RQ1 기존 LiDAR 지도가 없는 상황에서 OSM 기반 기술자만으로도 정확한 전역 LiDAR 위치 추정이 가능한가?
• RQ2 LiDAR 지도에 의존하는 최신 딥러닝 기반 방법(예: PointNetVLAD)과 비교할 때 OSM 기반 위치 추정의 성능는 어떠한가?
• RQ3 OSM 기술자가 실패하는 상황는 무엇이며, 어떤 환경적 요인이 성능 저하를 초래하는가?
• RQ4 입자 필터나 추가 후처리를 사용하지 않고도 높은 상위 1위 정확도를 달성할 수 있는가?
• RQ5 실시간 도시 환경 위치 추정 작업에서 기술자 생성 및 매칭 과정의 효율성은 어떠한가?

주요 결과

• 제안된 방법은 KITTI 데이터셋 시퀀스 00에서 상위 1위 정확도 48.34%를 기록하였으며, PointNetVLAD의 47.90%를 略로 뛰어넘었다.
• 상위 5위 정확도(56.86% 대 61.73%) 및 상위 10위 정확도(61.15% 대 66.79%)에서 PointNetVLAD와 유사한 성능를 보이며 강력한 전역 위치 추정 능력을 입증하였다.
• 1단계 방법은 상위 1위 정확도 19.60%를 기록하였고, 2단계 방법으로 개선되어 48.34%로 향상되어 후보자 정밀도 향상의 효과를 입증하였다.
• 기술자 생성 시간은 프레임당 0.1714초로, GPU에서 실행되는 PointNetVLAD의 0.0690초와 유사한 수준이며, CPU에서 실행됨에도 불구하고 높은 효율성을 보였다.
• 도로나 고속도로와 같이 건물이 없는 환경 또는 울타리, 나무, 언덕 등에 의해 건물이 가림을 받는 환경에서는 LiDAR 스캔이 구조물을 감지하지 못해 실패한다.
• 긴 거리에 걸쳐 반복적인 건물 패턴이 존재할 경우 기술자 간의 구별성이 떨어져 다수의 유사한 후보자가 발생하고 위치 추정의 모호성이 증가한다.