[논문 리뷰] PSF-LO: Parameterized Semantic Features Based Lidar Odometry

Gui-Bin Chen, Boshen Wang외 4명|arXiv (Cornell University)|2020. 10. 26.

Remote Sensing and LiDAR Applications참고 문헌 32인용 수 6

한 줄 요약

PSF-LO는 도로, 건물, 교통 표지판, 기둥 유사 구조물에 대해 새로운 파arameterized semantic features(PSFs)를 사용하여 기하적 특징 등록을 향상시킨 실시간 라이다 온도메트리 방법을 제안한다. PSFs와 기하적 특징을 함께 활용하고, 운동 일致성과 불확실성에 기반한 동적-정적 객체 분류기를 적용하여, KITTI 테스트 세트에서 평균 0.82%의 이동 오차를 기록하며 세분화된 라이다 방법 중 1위를 달성한다.

ABSTRACT

Lidar odometry (LO) is a key technology in numerous reliable and accurate localization and mapping systems of autonomous driving. The state-of-the-art LO methods generally leverage geometric information to perform point cloud registration. Furthermore, obtaining point cloud semantic information which can describe the environment more abundantly will help for the registration. We present a novel semantic lidar odometry method based on self-designed parameterized semantic features (PSFs) to achieve low-drift ego-motion estimation for autonomous vehicle in realtime. We first use a convolutional neural network-based algorithm to obtain point-wise semantics from the input laser point cloud, and then use semantic labels to separate the road, building, traffic sign and pole-like point cloud and fit them separately to obtain corresponding PSFs. A fast PSF-based matching enable us to refine geometric features (GeFs) registration, reducing the impact of blurred submap surface on the accuracy of GeFs matching. Besides, we design an efficient method to accurately recognize and remove the dynamic objects while retaining static ones in the semantic point cloud, which are beneficial to further improve the accuracy of LO. We evaluated our method, namely PSF-LO, on the public dataset KITTI Odometry Benchmark and ranked #1 among semantic lidar methods with an average translation error of 0.82% in the test dataset at the time of writing.

연구 동기 및 목표

• 기하적 특징 등록에 세분화된 정보를 통합하여 누적 드리프트를 줄이기.
• 기하적 특징 매칭 정확도를 떨어뜨리는 서브맵 표면의 노이즈와 동적 객체 간섭 문제 해결.
• 정적 세분화 객체를 유지하면서 동적 객체를 제거하여 자세 추정을 향상시키는 경량 실시간 방법 개발.
• 기존의 기하적 및 세분화된 라이다 온도메트리 방법보다 표준 벤치마크에서 더 높은 정확도 달성.

제안 방법

• 원시 라이다 스캔에서 각 점에 대한 세분화 레이블을 예측하기 위해 컨volutional neural network(RangeNet++)를 사용한다.
• 도로, 건물, 교통 표지판, 기둥 유사 객체를 위한 4종류의 파arameterized semantic features(PSFs)를 설계하였으며, 각 PSF는 기하적 피팅을 통해 형태를 개략적으로 표현하도록 설정된다.
• PSF 기반 매칭을 기하적 특징(GeF) 등록과 통합하여 자세 추정을 정밀화하고 노이즈가 많은 서브맵 표면에서의 드리프트를 감소시킨다.
• 시간적 헤딩 일치성, 속도 크기, 불확실성에 기반한 새로운 인스턴스 수준 분류기가 동적 객체를 식별하여 정적 객체는 유지하면서 동적 객체만 선택적으로 제거한다.
• 기하적 특징과 세분화 특징을 병렬로 처리하는 듀얼 스레드 아키텍처를 사용하며, PSF 매칭은 프레임당 약 5ms만 소요되어 실시간 성능를 유지한다.
• 서페이스를 갖춘 희소 지ap을 사용하고, 원본의 조밀한 점들은 반경 기반 업샘플링 전략을 통해 지도에 재삽입되어 세부 정보를 유지한다.

실험 결과

연구 질문

• RQ1 파arameterized semantic features(PSFs)가 기하적 특징 기반 라이다 온도메트리의 정밀도를 효과적으로 향상시키고 드리프트를 감소시킬 수 있는가?
• RQ2 밀도 높은 객체 검출에 의존하지 않고도 운동 기반 분류기가 라이다 점군에서 동적 객체를 정적 객체와 정확히 구분할 수 있는가?
• RQ3 세분화 특징 통합과 동적 객체 필터링이 실시간 성능을 희생시키지 않고도 KITTI와 같은 표준 벤치마크에서 정확도를 향상시키는가?
• RQ4 PSF-LO는 최신 기하적 및 세분화된 라이다 온도메트리 방법에 비해 정확도와 내성에서 어떻게 비교되는가?

주요 결과

• PSF-LO는 KITTI 온도메트리 벤치마크 테스트 세트에서 평균 0.82%의 이동 오차를 기록하여 세분화된 라이다 온도메트리 방법 중 1위를 달성한다.
• PSFs를 활용한 효과적인 기하적 특징 등록 정밀화로 인해, 순수 기하적 방법(예: LOAM)과 세분화된 방법(예: SuMa++)보다 우수한 성능을 달성한다.
• 클래스 불균형에도 불구하고 동적 객체 분류기는 평균 정밀도 23.53%를 기록하여 이동 객체를 구분하는 데 있어 뛰어난 내성성을 입증한다.
• PSF 기반 정밀화는 프레임당 약 5ms의 추가 처리 시간만 소요되어 5Hz 입력 주파수에서도 실시간 성능가능성을 확보한다.
• 모든 객체를 분류 없이 제거하는 'no-o' 아블레이션 버전은 PSF-LO보다 성능이 열 劣하므로, 정적 세분화 구조물 유지의 유용성이 입증된다.
• PSF-LO는 비실시간 IMLS-SLAM(1.25초/프레임)과 유사한 성능을 실시간으로 달성하여 효율성과 정확도의 상호 보완적 특성을 입증한다.