[논문 리뷰] Simultaneous Localization and Mapping with Dynamic Rigid Objects

Mina Henein, Gerard A. Kennedy외 2명|arXiv (Cornell University)|2018. 05. 10.

Robotics and Sensor-Based Localization참고 문헌 25인용 수 7

한 줄 요약

이 논문은 3D 객체 모델이나 명시적 객체 자세 추정 없이도 동적 강체 객체의 운동을 추정 과정에 통합하는 새로운 SLAM 프레임워크를 제안한다. 물체 운동을 일정 운동 가정으로 모델링하고 새로운 자세 변화 표현 방식을 사용함으로써, 로컬라이제이션 및 매핑 정확도를 향상시켜 vKITTI 데이터셋에서 기준 SLAM 대비 궤적 오차를 최대 71.4%까지 감소시킨다.

ABSTRACT

Accurate estimation of the environment structure simultaneously with the robot pose is a key capability of autonomous robotic vehicles. Classical simultaneous localization and mapping (SLAM) algorithms rely on the static world assumption to formulate the estimation problem, however, the real world has a significant amount of dynamics that can be exploited for a more accurate localization and versatile representation of the environment. In this paper we propose a technique to integrate the motion of dynamic objects into the SLAM estimation problem, without the necessity of estimating the pose or the geometry of the objects. To this end, we introduce a novel representation of the pose change of rigid bodies in motion and show the benefits of integrating such information when performing SLAM in dynamic environments. Our experiments show consistent improvement in robot localization and mapping accuracy when using a simple constant motion assumption, even for objects whose motion slightly violates this assumption.

연구 동기 및 목표

• 움직이는 물체가 존재하는 동적 환경에서 고전적 SLAM의 정적 세계 가정 위반 문제를 해결하기 위해.
• 전체 자세나 기하학적 구조를 추정하지 않고도 동적 강체 물체의 운동 정보를 활용하는 방법을 개발하기 위해.
• 운동 제약 조건을 최적화 프레임워크에 통합하여 SLAM의 정확도와 일관성을 향상시키기 위해.
• 실세계 및 합성 환경에서 동적 물체에 대한 일정 운동 가정의 효과성을 평가하기 위해.
• 상태 수축 기법을 통해 스케일러블한 SLAM을 실현하고, 향후 딥러닝 기반 세그멘테이션 및 데이터 연동과의 통합을 가능하게 하기 위해.

제안 방법

• 강체 물체의 운동을 모델링하기 위한 새로운 자세 변화 표현 방식을 도입하여 SLAM 최적화 프레임워크에 통합할 수 있도록 한다.
• 로봇 자세, 정적 지표점, 동적 물체 운동을 연결하는 삼항 인자 형식을 사용하여 운동 제약 조건을 최적화에 통합한다.
• 동적 물체에 대해 일정 운동 가정을 적용하여 변환을 시간에 따라 변하지 않는 것으로 모델링함으로써 추정 과정을 단순화한다.
• 요구되는 요소로, 운동은 특정 노이즈 수준을 가진 사전 정보로 간주되어 인자 그래프의 제약 조건으로 통합된다.
• 전방 처리 모듈이 이미지 시퀀스 간에 기능점들을 탐지하고 세그멘테이션하며 연동할 수 있도록 하되, 전체 3D 재구성은 필요로 하지 않는다.
• 운동 제약 조건이 추가 인자로 추가된 인자 그래프 최적화 프레임워크를 사용하여 전체 SLAM 솔루션의 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 전체 3D 객체 모델이나 자세 추정 없이도 동적 강체 물체의 운동 정보를 통합하면 SLAM 정확도가 향상되는가?
• RQ2 실세계 및 합성 동적 환경에서 동적 물체를 모델링하기 위해 일정 운동 가정이 얼마나 효과적인가?
• RQ3 운동 사전 정보의 노이즈 수준이 SLAM 솔루션의 강건성과 정확도에 미치는 영향은 어떠한가?
• RQ4 물체 운동 제약 조건의 통합이 SLAM 최적화의 일관성과 수렴성에 미치는 영향은 어떠한가?
• RQ5 상태 수축 기법을 통해 많은 수의 움직이는 물체가 존재하는 대규모 환경에서도 제안된 방법을 확장할 수 있는가?

주요 결과

• 실세계 데이터셋에서 제안된 방법은 동적 물체 운동(DOM) 정보를 사용할 경우 절대 궤적 오차(ATE)를 11% 감소시키고 절대 자세 오차(ARE)를 1% 감소시켰다.
• vKITTI 데이터셋에서 방법은 DOM을 통합할 경우 절대 궤적 오차(RTE)를 71.4% 감소시키고 절대 자세 오차(RRE)를 63.8% 감소시켰다.
• 실데이터셋에서 절대 구조 오차(ASE)는 19% 향상되었고, allRSE는 16% 향상되어 3D 구조 추정의 정확도 향상을 입증했다.
• 운동 간선에 할당된 노이즈 수준이 솔루션에 큰 영향을 미친다. 낮은 노이즈 수준은 운동 가정에 대한 과도한 확신을 유도할 수 있고, 높은 노이즈 수준은 추가된 운동 정보의 이점을 약화시킨다.
• 삼항 인자와 일정 운동 모델링을 통한 동적 물체 운동 통합은 실세계 및 합성 실험 모두에서 모든 오차 지표에서 일관된 향상을 이끌어냈다.
• 일정 운동 가정이 약간 위반되더라도 프레임워크는 강건하게 작동함을 확인하여 실세계의 동적 장면에서의 실용성을 입증했다.