[논문 리뷰] PCR-Pro: 3D Sparse and Different Scale Point Clouds Registration and Robust Estimation of Information Matrix For Pose Graph SLAM

M. Usman Maqbool Bhutta, Ming Liu|arXiv (Cornell University)|2018. 08. 29.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

PCR-Pro는 키프레임 기반 자세 보정을 통해 정확한 변환과 스케일 차이를 추정함으로써 3D 희소 및 다중 스케일 포인트 클라우드 정렬을 위한 강력한 방법을 제안한다. 이는 전역 수렴성과 낮은 공분산을 달성하여 자세 그래프 SLAM에서 신뢰할 수 있는 정보 행렬 추정을 가능하게 한다.

ABSTRACT

For both indoor and outdoor environments, we propose an efficient and novel method for different scales and sparse 3D point clouds registration that cannot be handled by the current popular ICP approaches. Our algorithm efficiently detects the scale difference between point clouds and uses the keyframes to estimate the relative pose for calculating the scale difference. The algorithm applies a filter and computes the final transformation which coverages to a global minimum. The good estimation of transform and scale helps in the calculation of the covariance matrix using a closed form solution efficiently. This covariance between point clouds helps in the estimation of information matrix for pose-graph SLAM.

연구 동기 및 목표

• 기존 ICP 방법이 효과적으로 처리하지 못하는 희소하고 다중 스케일의 3D 포인트 클라우드 정렬 과제를 해결한다.
• 스케일 차이에 대한 사전 지식 없이도 포인트 클라우드 간 정확한 변환과 스케일 추정을 가능하게 한다.
• 포인트 클라우드 정렬에서 전역 수렴성을 달성하여 추정 불확실성을 최소화한다.
• 자세 그래프 SLAM에서 강력한 정보 행렬 계산을 지원하기 위해 공분산 행렬 추정을 위한 닫힌 형태의 해를 제공한다.
• 다양한 센서와 카메라 시스템에서 유입되는 스케일과 희소성이 일관되지 않은 데이터의 융합을 가능하게 하여 다중 에이전트 SLAM 시스템을 지원한다.

제안 방법

• 소스와 타겟 포인트 클라우드 간의 스케일 차이를 상대 자세 추정을 통해 키프레임을 활용해 탐지한다.
• 대응 관계를 정밀하게 보정하기 위한 필터링 메커니즘을 적용하여 전역 최소값으로의 수렴성을 향상시킨다.
• 포인트 간 거리 오차 함수를 사용한 반복 최소 제곱(ICC) 기반 최적화를 적용하여 변환 오차를 최소화한다.
• ICP 목표 함수의 이阶 도함수인 헤시안을 활용해 6×6 공분산 행렬을 추정한다.
• 자세 그래프 최적화에서 사용하기 위해 추정된 공분산 행렬의 역행렬로 정보 행렬을 계산한다.
• 계산 시간을 줄이면서도 추정 정확도를 유지하기 위해 대응 관계에 기반한 임계값 전략을 구현한다.

실험 결과

연구 질문

• RQ1 표준 ICP가 실패하는 상황에서, 상당한 스케일 차이와 희소성을 가진 3D 포인트 클라우드를 어떻게 정확하게 정렬할 수 있는가?
• RQ2 희소 포인트 클라우드에 대해 전역 최소값으로 수렴하는 강력한 변환 및 스케일 추정 방법을 개발할 수 있는가?
• RQ3 자세 그래프 SLAM에서 사용하기 위해 변환의 공분산 행렬을 효율적이고 정확하게 추정하는 방법은 무엇인가?
• RQ4 낮은 공분산은 SLAM의 정보 행렬과 이후 자세 그래프 최적화에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 스케일이 일관되지 않은 다양한 센서 데이터를 포함한 다중 에이전트 SLAM 시스템을 지원할 수 있는가?

주요 결과

• PCR-Pro는 포인트 클라우드의 희소성이나 스케일 차이에 관계없이 실내 및 실외 환경에서 전역 최소값으로 수렴한다.
• 높은 정확도의 변환 추정으로 인해 추정된 공분산 행렬이 항상 작게 유지되어 자세 정렬의 불확실성이 낮음을 나타낸다.
• 공분산 행렬의 역행렬을 통해 유도된 정보 행렬은 매우 신뢰할 수 있으며, 자세 그래프 최적화에서 단위 행렬에 높은 가중치를 적용할 수 있도록 한다.
• 대응 관계의 임계값 전략을 통해 알고리즘은 낮은 계산 비용을 유지하면서도 정확도를 손상시키지 않는다.
• LSD-SLAM 데이터셋을 활용한 검증을 통해 다양한 실제 환경에서 스케일과 희소성이 다양함에도 불구하고 강력한 성능을 입증하였다.
• 다양한 센서와 시스템에서 유입되는 포인트 클라우드의 융합을 효과적으로 가능하게 하여 다중 에이전트 SLAM 응용을 지원한다.