[논문 리뷰] Pose Graph Optimization for Unsupervised Monocular Visual Odometry

Yang Li, Yoshitaka Ushiku외 1명|arXiv (Cornell University)|2019. 03. 15.

Robotics and Sensor-Based Localization참고 문헌 21인용 수 10

한 줄 요약

이 논문은 비지도 학습 기반 프론트엔드인 NeuralBundler와 드리프트 보정 및 정확도 향상을 위한 포즈 그래프 최적화 백엔드를 결합한 하이브리드 단안 시각 옵오미트리 시스템을 제안한다. 새로운 포즈 사이클 일致성 손실을 도입하고 DBoW2를 통해 루프 클로징 탐지를 활용하여, 비지도 단안 VO에서 최신 기술 수준의 성능을 달성하였으며, KITTI 데이터셋에서 ORB-SLAM보다 이동 정확도가 뛰어나고 특히 드리프트 감소에서 뛰어난 성능을 보였다.

ABSTRACT

Unsupervised Learning based monocular visual odometry (VO) has lately drawn significant attention for its potential in label-free leaning ability and robustness to camera parameters and environmental variations. However, partially due to the lack of drift correction technique, these methods are still by far less accurate than geometric approaches for large-scale odometry estimation. In this paper, we propose to leverage graph optimization and loop closure detection to overcome limitations of unsupervised learning based monocular visual odometry. To this end, we propose a hybrid VO system which combines an unsupervised monocular VO called NeuralBundler with a pose graph optimization back-end. NeuralBundler is a neural network architecture that uses temporal and spatial photometric loss as main supervision and generates a windowed pose graph consists of multi-view 6DoF constraints. We propose a novel pose cycle consistency loss to relieve the tensions in the windowed pose graph, leading to improved performance and robustness. In the back-end, a global pose graph is built from local and loop 6DoF constraints estimated by NeuralBundler and is optimized over SE(3). Empirical evaluation on the KITTI odometry dataset demonstrates that 1) NeuralBundler achieves state-of-the-art performance on unsupervised monocular VO estimation, and 2) our whole approach can achieve efficient loop closing and show favorable overall translational accuracy compared to established monocular SLAM systems.

연구 동기 및 목표

• 비지도 단안 시각 옵오미트리에서 지속적인 궤적 드리프트 문제를 해결하여 기하학적 SLAM 방법에 비해 정확도를 향상시키기 위해.
• 이전에 기하학적 SLAM에서 사용된 전통적인 그래프 최적화 기법들을 딥 러닝 기반 시각 옵오미트리 파이프라인에 통합하기 위해.
• 포즈 사이클 일치성 손실을 도입하고 효율적인 루프 클로징을 가능하게 하여 비지도 학습 기반 VO의 강건성과 정확도를 향상시키기 위해.
• 엔드 투 엔드 학습과 글로벌 최적화를 조합할 경우 순수 학습 기반 또는 기하학적 방법에 비해 뛰어난 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 시간적 및 공간적 광학적 손실을 감독으로 사용하는 딥 뉴럴 네트워크인 NeuralBundler를 제안하며, 6DoF 제약 조건을 갖춘 윈도우드 포즈 그래프를 생성한다.
• 윈도우드 포즈 그래프의 비일관성을 줄이기 위해 새로운 포즈 사이클 일치성 손실을 도입하여 안정성과 정확도를 향상시킨다.
• 단안 시퀀스에서 루프 클로징을 탐지하기 위해 DBoW2를 활용한다.
• NeuralBundler가 추정한 국소 및 루프 6DoF 제약 조건에서 글로벌 포즈 그래프를 구성한다.
• 모든 카메라 포즈를 보정하고 누적된 드리프트를 수정하기 위해 SE(3)에서 글로벌 최적화를 수행한다.
• 스케일 조정 없이 SE(3)에서 강체 변환 정렬을 통해 지표값과의 정렬을 수행하여 평가함으로써 메트릭 스케일 복원을 유지한다.

실험 결과

연구 질문

• RQ1 포즈 그래프 최적화는 궤적 드리프트를 보정함으로써 비지도 단안 시각 옵오미트리의 정확도를 크게 향상시킬 수 있는가?
• RQ2 포즈 사이클 일치성 손실은 비지도 학습 기반 VO에서 윈도우드 포즈 그래프의 성능과 강건성을 어떻게 향상시키는가?
• RQ3 비지도 학습과 전통적인 그래프 최적화를 조합한 하이브리드 시스템은 순수 학습 기반 또는 기하학적 SLAM 시스템보다 더 뛰어난 성능을 낼 수 있는가?
• RQ4 DBoW2와 SE(3) 최적화를 활용한 제안된 루프 클로징 메커니즘은 실세계 단안 시퀀스에서 얼마나 효과적인가?

주요 결과

• NeuralBundler는 KITTI 데이터셋에서 비지도 단안 시각 옵오미트리 방법 중 최신 기술 수준의 성능을 달성하였으며, SfMLeaner와 Huangying et al.를 능가하고 UnDeepVO에 근접한 성능을 보였다.
• 제거 분석 결과, 포즈 사이클 일치성 손실이 성능 향상에 크게 기여함을 확인하여 윈도우드 포즈 그래프의 안정성 향상에 효과적임을 입증하였다.
• 루프 클로징 이후 대부분의 시퀀스에서 총 이동 정규화 평균 제곱 오차(RMSE)가 감소하였으며, 특히 탐지 가능한 루프가 포함된 시퀀스 00, 02, 05, 06, 07, 09에서 가장 우수한 성능를 보였다.
• 11개 시퀀스 중 8개에서 ORB-SLAM보다 낮은 총 이동 RMSE를 기록하여 스케일 드리프트에 대한 더 뛰어난 강건성을 입증하였다.
• 정성적 결과에서는 루프 클로징이 드리프트를 효과적으로 감소시킴을 보였으며, 특히 시퀀스 00, 05, 06와 같은 루프가 포함된 경우 최적화 후 궤적이 지표값과 매우 유사하게 나타났다.
• 명시적 감독 없이도 메트릭 스케일을 성공적으로 복원하였으며, 평가 시 스케일 조정이 없음을 고려하면 단안 입력에서 절대 스케일을 추정할 수 있음을 확인하였다.