[논문 리뷰] UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes

Weisong Wen, Yiyang Zhou외 6명|arXiv (Cornell University)|2019. 12. 19.

Robotics and Sensor-Based Localization참고 문헌 27인용 수 9

한 줄 요약

UrbanLoco는 샌프란시스코와 홍콩의 고도로 도시화된 환경에서 자율주행차의 맵핑 및 정위치화를 위한 대규모이고 전면적인 센서 세트를 제공하는 데이터셋을 제시한다. 총 13개의 경로를 포함하며 총 거리가 40km 이상이며, 동기화된 라이다, 카메라(360° 및 피시아이), 자이로스코프, RTK-GNSS를 포함하여 실제 도시 환경에서의 신호 손실, 동적 물체, 복잡한 지형과 같은 과제에 대한 정밀한 SLAM 및 정위치화 알고리즘 평가를 가능하게 한다.

ABSTRACT

Mapping and localization is a critical module of autonomous driving, and significant achievements have been reached in this field. Beyond Global Navigation Satellite System (GNSS), research in point cloud registration, visual feature matching, and inertia navigation has greatly enhanced the accuracy and robustness of mapping and localization in different scenarios. However, highly urbanized scenes are still challenging: LIDAR- and camera-based methods perform poorly with numerous dynamic objects; the GNSS-based solutions experience signal loss and multipath problems; the inertia measurement units (IMU) suffer from drifting. Unfortunately, current public datasets either do not adequately address this urban challenge or do not provide enough sensor information related to mapping and localization. Here we present UrbanLoco: a mapping/localization dataset collected in highly-urbanized environments with a full sensor-suite. The dataset includes 13 trajectories collected in San Francisco and Hong Kong, covering a total length of over 40 kilometers. Our dataset includes a wide variety of urban terrains: urban canyons, bridges, tunnels, sharp turns, etc. More importantly, our dataset includes information from LIDAR, cameras, IMU, and GNSS receivers. Now the dataset is publicly available through the link in the footnote. Dataset Link: https://advdataset2019.wixsite.com/urbanloco.

연구 동기 및 목표

• 밀도 높고 복잡한 환경에서의 도시 맵핑 및 정위치화 과제에 초점을 맞춘 공개적 대규모 데이터셋의 부족을 보완한다.
• 다중 모odal 정위치화 연구를 지원하기 위해 라이다, 다중 시야 카메라, 자이로스코프, RTK-GNSS를 포함한 종합적인 센서 세트를 제공한다.
• 도시화 강도를 정량화하여 다양한 환경에서의 정위치화 난이도를 보다 정확히 평가할 수 있도록 한다.
• 동적 물체와 신호 감쇠가 동반된 실제 도시 조건에서 최신 SLAM 및 정위치화 알고리즘의 벤치마킹을 가능하게 한다.
• 보정된 공개 데이터와 API를 제공하여 센서 융합 기반의 정밀한 정위치화 시스템 개발을 지원한다.

제안 방법

• 샌프란시스코와 홍콩에서 총 13개의 경로를 수집하여 도시 간성, 턨널, 다리, 급격한 커브 등 다양한 도시 지형을 포함한 40km 이상의 거리를 커버한다.
• 차량에 360° 카메라(샌프란시스코), 피시아이 스카이 카메라(홍콩), 32빔 라이다, 자이로스코프, 현지 기준국에서의 보정을 받는 RTK-GNSS 수신기를 장착한 전면적인 센서 세트를 구축한다.
• 보정 로그를 공개하여 정확한 센서 정렬을 보장하는 종합적인 보정 절차를 통해 모든 센서를 보정한다.
• 좋은 위성 시야 조건에서 2cm 이내의 정밀한 지상 진실값을 확보하기 위해 RTK-GNSS를 사용하고, GNSS 장애 발생 시 연속적인 드리프트 추적을 위해 자이로스코프를 활용한다.
• SLAM 처리의 수렴성과 안정성을 보장하기 위해 알고리즘 평가를 위한 반실시간 재생 기능을 구현한다.
• 환경 복잡성의 정량화를 위해 도시화 측정 기준을 정의하고 적용하여 다양한 데이터셋 간 비교 분석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 다양한 동적 물체와 신호 저하가 발생하는 고도로 도시화된 환경에서 최신 라이다 기반 SLAM 알고리즘이 어떻게 성능을 발휘하는가?
• RQ2 빛의 변화가 급격하게 발생하고 도시 기하학이 복잡한 상황에서 VINS-MONO와 같은 시각 기반 SLAM 방법은 어느 정도 실패하는가?
• RQ3 자이로스코프와 GNSS를 융합함으로써 도시 간성에서 간헐적인 GNSS 가용성 상황에서도 정위치화의 강건성이 어떻게 향상되는가?
• RQ4 건물 밀도와 신호 차단 정도로 측정된 도시화 강도는 실제 데이터셋에서 정위치화 오차에 어떤 영향을 미치는가?
• RQ5 UrbanLoco와 같은 전면적인 센서 세트를 갖춘 데이터셋은 과도한 도시 환경에서 차세대 정위치화 시스템 평가를 위한 신뢰할 수 있는 기준이 될 수 있는가?

주요 결과

• LOAM 기반 SLAM 알고리즘은 동적 물체가 많은 환경에서 10m/km 이상의 변위 오차를 보였고, 고도 변화가 심한 지역에서는 20m/km 이상의 오차를 기록했다.
• NDT 기반 알고리즘은 5.9km 구간에서 100m 이상의 변위 오차를 기록하여 복잡한 도시 환경에서 심각한 성능 저하를 보였다.
• VINS-MONO는 라이다 기반 방법보다 더 우수한 변위 성능을 보였지만, 급격한 조작 상황에서 높은 롤/피치/야우 오차를 겪었다.
• 샌프란시스코의 정상적인 출퇴근 시간에 수집된 가장 과도한 경로에서는 기존 SLAM 알고리즘을 사용할 경우 가장 왜곡된 맵이 생성되었으며, 이는 동적 도시 환경의 난이도를 잘 보여준다.
• 좋은 위성 시야 조건에서 GNSS 기반 지상 진실값은 2cm의 정확도를 유지했고, GNSS 장애 발생 후 10초 동안 자이로스코프만으로도 위치 오차가 12cm 이내로 유지되었다.
• 이 데이터셋의 도시화 측정 기준은 환경의 복잡성을 효과적으로 정량화했으며, KITTI와 RobotCar 등의 기존 데이터셋이 UrbanLoco에 비해 상당히 덜 도시화되어 있음을 드러냈다.