[논문 리뷰] RGB-D SLAM in Dynamic Environments Using Point Correlations

Weichen Dai, Yu Zhang외 3명|arXiv (Cornell University)|2018. 11. 08.

Robotics and Sensor-Based Localization참고 문헌 64인용 수 9

한 줄 요약

이 논문은 RGB-D SLAM 시스템인 DSLAM을 제안하며, 점 상관관계를 활용해 동적인 환경에서의 운동 추정 오차를 완화합니다. 지도점의 정적 및 동적 요소를 점 상관관계를 통해 분할함으로써, 희박한 데라우니 삼각분할 그래프를 구성하고, 최적화를 통해 상관관계가 없는 점 간의 간선을 제거함으로써 가장 큰 연결된 성분을 정적 점으로 고립시킵니다. 이를 통해 움직이는 물체가 존재하는 상황에서도 강인한 카메라 자세 추정이 가능합니다.

ABSTRACT

In this paper, a simultaneous localization and mapping (SLAM) method that eliminates the influence of moving objects in dynamic environments is proposed. This method utilizes the correlation between map points to separate points that are part of the static scene and points that are part of different moving objects into different groups. A sparse graph is first created using Delaunay triangulation from all map points. In this graph, the vertices represent map points, and each edge represents the correlation between adjacent points. If the relative position between two points remains consistent over time, there is correlation between them, and they are considered to be moving together rigidly. If not, they are considered to have no correlation and to be in separate groups. After the edges between the uncorrelated points are removed during point-correlation optimization, the remaining graph separates the map points of the moving objects from the map points of the static scene. The largest group is assumed to be the group of reliable static map points. Finally, motion estimation is performed using only these points. The proposed method was implemented for RGB-D sensors, evaluated with a public RGB-D benchmark, and tested in several additional challenging environments. The experimental results demonstrate that robust and accurate performance can be achieved by the proposed SLAM method in both slightly and highly dynamic environments. Compared with other state-of-the-art methods, the proposed method can provide competitive accuracy with good real-time performance.

연구 동기 및 목표

• 움직이는 물체가 시야를 지배하는 동적인 환경에서 카메라 운동 추정 실패 문제를 해결한다.
• 기존 SLAM 방법이 정적 세계를 전제로 하여 움직이는 물체가 존재할 경우 실패하는 한계를 극복한다.
• 딥 러닝이나 의미적 사전 지식에 의존하지 않고도 센서에 종속되지 않는 방식으로 정적 환경 점과 동적 물체 점을 구분한다.
• 오직 점 상관관계의 기하학적 일관성에 기반하여, 약간의 동적 환경와 매우 동적인 환경 모두에서 실시간으로 정확한 SLAM을 가능하게 한다.
• 상관관계 기반 분할 프레임워크를 통해 자세 최적화 이전에 동적 점을 필터링하여 강인성과 정확도를 향상시킨다.

제안 방법

• 정점이 지도점을, 간선이 공간적 인접성을 나타내는 희박한 그래프를 데라우니 삼각분할을 통해 구성한다.
• 점 상관관계를 상대 위치의 시간적 일관성으로 모델링한다: 시간에 걸쳐 일관된 상대 운동을 보이는 점들은 상관관계가 있다고 간주한다.
• 점 상관관계 최적화를 적용하여 상관관계가 없는 점 쌍 간의 간선을 제거함으로써 동적 점을 정적 환경에서 분리한다.
• 남아 있는 그래프에서 가장 큰 연결된 성분을 신뢰할 수 있는 정적 지도점 집합으로 식별한다.
• 정적 점 성분에 대해서만 자세 추정과 번들 조정을 수행하여 움직이는 물체의 간섭을 제거한다.
• 실시간 SLAM 시스템(DSLAM)에 분할 파이프라인을 통합하여 RGB-D 센서를 대상으로 하며, 병렬 처리를 통해 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 점 상관관계 기반 분할이 실시간 SLAM 시스템에서 정적 지도점과 동적 점을 효과적으로 구분할 수 있는가?
• RQ2 움직이는 물체가 시야의 대부분을 차지하는 매우 동적인 환경에서 제안된 방법의 성능은 어떠한가?
• RQ3 GPU 가속 또는 사전 훈련 없이도 경쟁력 있는 정확도와 실시간 성능를 달성할 수 있는가?
• RQ4 학습 기반 또는 운동 일관성 전용 접근법에 비해 상관관계 기반 분할은 강인성과 일반화 능력 측면에서 어떻게 비교되는가?
• RQ5 모노크롬, 스테레오 또는 라이다 시스템과 같은 RGB-D 외 센서로의 확장 가능성은 어느 정도인가?

주요 결과

• DSLAM은 약간의 동적 환경와 매우 동적인 환경 모두에서 최첨단 기술보다 유의미하게 높은 정확도를 달성한다. 특히 동적 물체 점유율이 높은 시나리오에서 두드러진다.
• 딥 러닝이나 사전 훈련에 의존하지 않음에도 불구하고, 학습 기반 접근법보다 정확도와 효율성에서 뛰어나다.
• 시야에 알려지지 않은 빠르게 움직이는 물체가 존재하더라도 DSLAM은 강인성을 유지하고 드리프트를 방지한다.
• 정적 점 식별 모듈은 지도점 수에 따라 거의 선형적으로 확장되며, 슬라이딩 윈도우 키프레임 메커니즘 덕분에 런타임이 제한된다.
• GPU 가속과 사전 훈련이 필요한 DynaSLAM보다 낮은 계산 비용으로 경쟁 가능한 정확도를 제공하면서도 실시간 성능를 유지한다.
• 특징 불일치에 강인함을 입증하며, 일부 동적 점이 정적 환경에 잘못 매칭되더라도 정적 점이 정확히 식별됨을 보여준다.