[논문 리뷰] RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments

Chenglong Qian, Xiang Zhao-hong외 2명|arXiv (Cornell University)|2022. 06. 19.

Robotics and Sensor-Based Localization인용 수 6

한 줄 요약

RF-LIO는 이동하는 물체를 먼저 제거하고, 라이다-임펄스 모터(INS)를 밀접하게 통합한 라이다-자이로스코프 오도메트리 프레임워크를 제안한다. 이는 이동점의 존재로 인해 왜곡되는 포인트 클라우드 맵을 보정함으로써 고역동성 환경에서 SLAM 정확도를 향상시킨다. 먼저 적응형 다중 해상도 거리 이미지를 사용하여 IMU 보조 초기 자세 추정을 통해 이동 점을 제거한 후, 정제된 포인트 클라우드에서 스캔 매칭을 수행한다. 이는 고역동성 도시 환경(UrbanLoCo) 데이터셋에서 LOAM 대비 90%, LIO-SAM 대비 70%의 정확도 향상을 달성한다.

ABSTRACT

Simultaneous Localization and Mapping (SLAM) is considered to be an essential capability for intelligent vehicles and mobile robots. However, most of the current lidar SLAM approaches are based on the assumption of a static environment. Hence the localization in a dynamic environment with multiple moving objects is actually unreliable. The paper proposes a dynamic SLAM framework RF-LIO, building on LIO-SAM, which adds adaptive multi-resolution range images and uses tightly-coupled lidar inertial odometry to first remove moving objects, and then match lidar scan to the submap. Thus, it can obtain accurate poses even in high dynamic environments. The proposed RF-LIO is evaluated on both self-collected datasets and open Urbanloco datasets. The experimental results in high dynamic environments demonstrate that, compared with LOAM and LIO-SAM, the absolute trajectory accuracy of the proposed RF-LIO can be improved by 90% and 70%, respectively. RF-LIO is one of the state-of-the-art SLAM systems in high dynamic environments.

연구 동기 및 목표

• 이동 물체(예: 차량, 보행자)로 인해 포인트 클라우드 맵이 왜곡되는 고역동성 환경에서의 정확한 위치 추정 문제를 해결한다.
• 동적 SLAM에서 발생하는 '닭과 계란' 문제를 해결한다: 이동 점 제거에는 정확한 자세가 필요하지만, 이동 점이 존재하는 한 정확한 자세를 확보할 수 없다.
• 딥 러닝이나 시나리오 특화 학습 데이터에 의존하지 않고도 스캔 매칭 이전에 동적 점을 제거하여 궤적 정확도를 향상시키는 방법을 개발한다.
• 고밀도의 물체와 빈번한 가림 현상이 있는 복잡한 도시 환경에서 실시간으로 안정적인 상태 추정과 매핑을 가능하게 한다.

제안 방법

• 제거 우선 전략 도입: 즉각적인 스캔 매칭 대신, RF-LIO는 라이다-자이로스코프 오도메트리(LIO)를 밀착 통합하여 거칠은 자세를 추정함으로써 동적 점 제거를 유도한다.
• 현재 라이다 스캔에서 적응형 다중 해상도 거리 이미지를 구성하여 가시성 및 강도 변화 기반으로 이동 점을 탐지하고 분할한다.
• 고주기 IMU 측정치를 사용해 초기 운동을 추정함으로써 포인트를 거리 이미지 공간으로 정확하게 투영하고, 동적 점 탐지에 기여한다.
• 거리 이미지에서 가시성 기반 기준을 적용하여 이동 물체에 속할 가능성이 높은 점을 식별하고 제거한다. 정적 배경 점은 프레임 간 일관되게 가시하다는 가정을 기반으로 한다.
• 제거 후 정제된 포인트 클라우드에서만 스캔 매칭을 수행하여 더 정확한 궤적 추정을 확보한다.
• 라이다와 IMU 측정치를 융합하는 밀착된 최적화 프레임워크를 통해 자세와 동적 점 제거를 반복적으로 개선한다.

실험 결과

연구 질문

• RQ1 밀도 높은 이동 물체가 존재하는 고역동성 환경에서, 제거 우선 전략이 전통적인 스캔 매칭 우선 방법보다 우월한가?
• RQ2 사전 학습 데이터 없이도 적응형 다중 해상도 거리 이미징이 이동 점 탐지 및 제거에 얼마나 효과적인가?
• RQ3 밀착된 LIO와 동적 점 제거를 통합함으로써 최신 기술 수준의 SLAM 시스템에 비해 궤적 정확도가 크게 향상되는가?
• RQ4 스캔 매칭 이전과 이후에 동적 점을 제거할 경우, 계산 효율성과 정확도 사이의 상충 관계는 어떠한가?
• RQ5 다양한 도시 환경에서 이동 물체 밀도와 가림 패턴이 다양할 경우에도 이 방법이 일반화 가능한가?

주요 결과

• RF-LIO는 고역동성 UrbanLoCo 데이터셋에서 LOAM 대비 90% 향상된 궤적 정확도를 달성했고, LIO-SAM 대비 70% 향상된 정확도를 확보했다.
• CAMarktStreet 및 CARussianHill 데이터셋에서 RF-LIO (After)는 LIO-SAM 대비 절대 궤적 RMSE를 각각 61.6%와 65.1% 감소시켰다.
• 제거 우선 전략(RF-LIO First)은 제거 후 전략(RF-LIO After)보다 더 높은 정확도를 보였으며, 두 고역동성 데이터셋에서 각각 34.0%와 3.6% 낮은 오차를 기록했다.
• RF-LIO (FA)는 전체적으로 최고의 성능을 보였고, CAMarktStreet에서는 절대 궤적 RMSE 15.89m, CARussianHill에서는 12.17m를 기록하여 모든 기준 모델을 압도했다.
• RF-LIO의 평균 이동 물체 제거 비율은 데이터셋 전체 평균 96.1%에 도달하여 효과적인 동적 점 탐지 능력을 입증했다.
• 실행 시간은 효율적이었으며, RF-LIO (FA)는 고역동성 환경에서도 각 스캔을 121ms 이내로 처리하여 실시간 적용 가능성은 입증했다.