[논문 리뷰] Toward Underground Localization: Lidar Inertial Odometry Enabled Aerial Robot Navigation

Jiun Fatt Chow, Başaran Bahadır Koçer외 5명|arXiv (Cornell University)|2019. 10. 29.

Robotics and Sensor-Based Localization참고 문헌 17인용 수 7

한 줄 요약

이 논문은 2D LiDAR를 수평 위치 추정에, 1D TFMini LiDAR를 수직 고도 측정에, IMU를 자세 안정화에 사용하여 GPS가 제공되지 않는 지하 환경에서 자율 항공 로봇의 항법을 위한 라이다-인ertial 오도메트리 시스템을 제안한다. 실내 비행 테스트에서 헤토르 SLAM이 3D 위치 추정 오차가 20cm 미만이었으며, 동적 비행 조건에서도 기존의 Gmapping과 Cartographer보다 정확도와 견고성 면에서 뛰어났다.

ABSTRACT

Localization can be achieved by different sensors and techniques such as a global positioning system (GPS), wifi, ultrasonic sensors, and cameras. In this paper, we focus on the laser-based localization method for unmanned aerial vehicle (UAV) applications in a GPS denied environment such as a deep tunnel system. Other than a low-cost 2D LiDAR for the planar axes, a single axis Lidar for the vertical axis as well as an inertial measurement unit (IMU) device is used to increase the reliability and accuracy of the localization performance. We present a comparative analysis of the three selected laser-based simultaneous localization and mapping(SLAM) approaches:(i) Hector SLAM; (ii) Gmapping; and(iii) Cartographer. These algorithms have been implemented and tested through real-world experiments. The results are compared with the ground truth data and the experiments are available at https://youtu.be/kQc3mJjw_mw.

연구 동기 및 목표

• 깊은 턨널 시스템과 같은 GPS가 제공되지 않는 지하 환경에서 항공 로봇의 신뢰할 수 있는 3D 위치 추정을 가능하게 하기 위해.
• 다양한 비행 역학 조건 하에서 세 가지 레이저 기반 SLAM 알고리즘—헤이터 SLAM, Gmapping, Cartographer—의 성능을 평가하기 위해.
• 2D 라이다와 IMU에 1D 라이다(TFMini)를 융합하여 수직 자세 추정을 수행하고, 전체 6-DoF 위치 추정을 달성하기 위해.
• 모션 캡처 환경에서 실제 위치 데이터를 기준으로 정확도를 검증하고 실시간 처리 가능성도 입증하기 위해.
• 저비용·경량 센서를 사용한 자율 터널 점검에 가장 적합한 SLAM 프레임워크를 규명하기 위해.

제안 방법

• 2D 라이다(RPLidar A1), 수직 고도 측정을 위한 1D 라이다(TFMini), 관성 상태 추정을 위한 IMU를 탑재한 맞춤형 항공 로봇 플랫폼을 구축하였다.
• ROS를 사용하여 세 가지 SLAM 알고리즘—헤이터 SLAM, Gmapping, Cartographer—를 구현하고, 성능 비교를 위해 외부 프로세싱을 통한 벤치마킹을 수행하였다.
• 드론의 피치 및 롤 각도 보정을 위해 2D 라이다 스캔 데이터와 IMU 데이터를 융합하여 스캔 정렬을 향상시키고 드리프트를 감소시켰다.
• TFMini 1D 라이다 데이터를 수직 위치 추정에 통합하였으며, 드론의 질량 중심에서의 센서 오프셋으로 인해 최소 0.38m의 유효 범위가 제한되었다.
• 모션 캡처 시스템을 실제 위치 데이터로 사용하여 3D 공간에서의 루트 평균 제곱 오차(RMSE)를 통해 자세 오차를 계산하였다: $ D = \sqrt{(x_t - x_e)^2 + (y_t - y_e)^2 + (z_t - z_e)^2} $.
• 실시간 내장형 실험을 수행하였으며, 정상 속도와 빠른 속도의 원형 경로 및 8자 경로 총 네 가지 비행 경로를 실시간으로 처리한 결과, 인텔 NUC 기반 시스템에서 성공적으로 작동하였다.

실험 결과

연구 질문

• RQ1 GPS가 제공되지 않는 환경에서 항공 로봇의 3D 위치 추정에 가장 정확하고 견고한 성능을 보이는 레이저 기반 SLAM 알고리즘은 Hector SLAM, Gmapping, 또는 Cartographer 중 어느 것인가?
• RQ2 2D 라이다와 IMU에 1D 라이다(TFMini)를 융합함으로써 수직 자세 추정 및 전체 6-DoF 위치 추정 정확도는 어떻게 향상되는가?
• RQ3 통제된 실내 환경에서 비행 속도가 각 SLAM 알고리즘의 위치 추정 오차에 미치는 영향은 어떠한가?
• RQ4 실시간 내장형 처리 제약 조건 하에서 다양한 비행 경로를 통해 시스템이 3D 위치 추정 오차를 20cm 이내로 유지할 수 있는가?
• RQ5 현재 센서 융합 기반 접근법의 한계는 무엇이며, 특히 고도 추정의 빈도가 낮은 영역(블라인드 스포트)에 대해 어떤 문제가 있는가?

주요 결과

• 헤이터 SLAM은 모든 테스트 시나리오에서 평균 3D 이동 오차가 18.04cm로 가장 낮게 나타나 Gmapping과 Cartographer보다 정확도 면에서 뛰어났다.
• 헤이터 SLAM의 RMSE는 모든 실내 비행 실험에서 20cm 이하를 유지하였으며, 각각 원형 정상 속도: 19.08cm, 원형 빠른 속도: 18.85cm, 8자형 정상 속도: 17.27cm, 8자형 빠른 속도: 17.69cm였다.
• Gmapping는 높은 오차(최대 196.31cm, 원형 빠른 속도)를 보였고, 빠른 운동 조건에서 실패하여 동적 비행에 대한 견고성이 떨어지는 것으로 나타났다.
• Cartographer는 가장 빠른 계산 시간을 기록하고 일관된 성능을 보였지만, 이 구성에서는 헤이터 SLAM보다 정확도가 떨어졌다.
• 1D 라이다(TFMini)는 센서가 드론의 질량 중심에서 떨어져 있어 0.38m 이하 영역에 빈도가 낮은 영역이 발생하여 매우 낮은 고도에서의 신뢰할 수 있는 고도 추정이 제한되었다.
• 2D 라이다, 1D 라이다, IMU의 센서 융합을 통해 실시간 6-DoF 자세 추정이 가능해졌으며, 오차가 20cm 이내로 유지되어 터널 점검에 대한 시스템의 실현 가능성을 입증하였다.