[論文レビュー] 6-DOF Feature based LIDAR SLAM using ORB Features from Rasterized Images of 3D LIDAR Point Cloud

Waqas Ali, Peilin Liu+2 more|arXiv (Cornell University)|Mar 19, 2021

Robotics and Sensor-Based Localization参考文献 28被引用数 10

ひとこと要約

本稿では、3次元LIDAR点群から得られるラスタライズド2次元画像上でのORB特徴検出を活用することで、計算効率の高い6自由度LIDAR SLAMシステムを提案する。この手法により、特徴抽出時間を顕著に短縮できる。直接3次元点群を処理するのではなく、ラスタライズド画像を用いることで、高い計算効率を実現しながらも、正確なポーズ推定とループ閉じり検出を維持し、LOAM や Cartographer といった最先端の手法を上回る性能を達成した。

ABSTRACT

An accurate and computationally efficient SLAM algorithm is vital for modern autonomous vehicles. To make a lightweight the algorithm, most SLAM systems rely on feature detection from images for vision SLAM or point cloud for laser-based methods. Feature detection through a 3D point cloud becomes a computationally challenging task. In this paper, we propose a feature detection method by projecting a 3D point cloud to form an image and apply the vision-based feature detection technique. The proposed method gives repeatable and stable features in a variety of environments. Based on such features, we build a 6-DOF SLAM system consisting of tracking, mapping, and loop closure threads. For loop detection, we employ a 2-step approach i.e. nearest key-frames detection and loop candidate verification by matching features extracted from rasterized LIDAR images. Furthermore, we utilize a key-frame structure to achieve a lightweight SLAM system. The proposed system is evaluated with implementation on the KITTI dataset and the University of Michigan Ford Campus dataset. Through experimental results, we show that the algorithm presented in this paper can substantially reduce the computational cost of feature detection from the point cloud and the whole SLAM system while giving accurate results.

研究の動機と目的

• SLAMシステムにおける3次元LIDAR点群からの直接的特徴検出にかかる高コストを軽減すること。
• 多様な環境に適用可能な汎用的で繰り返し可能で安定した特徴検出手法の開発。
• 3次元LIDAR SLAMの計算負荷を低減しつつ、ポーズ推定およびマッピングの高精度を維持すること。
• ラスタライズド画像上の特徴マッチングと最近接キーフレーム探索を用いた効率的なループ閉じり検出メカニズムの設計。
• キーフレームベースの最適化と特徴の再利用により、低CPU使用率でリアルタイム性能を達成すること。

提案手法

• 3次元LIDAR点群を2次元インテンシティ画像にラスタライズし、2次元特徴抽出を効率的に行う。
• 生の3次元点群を処理する代わりに、ラスタライズド画像上でORB特徴検出と記述子を適用する。
• 抽出されたORB特徴を用いてビジュアルオドメトリを実行し、リアルタイムで6自由度の車両ポーズを推定する。
• 局所マップの管理と効率的な局所バンドル調整を可能にするキーフレームベースの構造を実装する。
• 2段階のプロセスによりループ閉じりを検出する：まず最近接キーフレームを特定し、次にラスタライズド画像上の特徴マッチングで検証する。
• ループ閉じり制約を含むポーズグラフ最適化により、全体の軌道を最適化する。同一ORB特徴をトラッキング、マッピング、ループ閉じりスレッドで再利用することで一貫性を確保する。

実験結果

リサーチクエスチョン

• RQ1 3次元LIDAR点群のラスタライズド2次元画像から抽出されたORB特徴は、多様な環境において安定的かつ繰り返し可能であるか？
• RQ2 LIDAR SLAMにおいて、3次元点群処理と比較して、ラスタライズド画像を用いた特徴検出が顕著に計算コストを低減できるか？
• RQ3 最近接キーフレーム探索と特徴マッチングに基づく2段階のループ閉じり検出戦略は、低コストの計算負荷で高精度を達成できるか？
• RQ4 LOAM や Cartographer といった最先端のLIDAR SLAM手法と比較して、本手法の精度と効率性はどの程度か？
• RQ5 キーフレーム構造と局所バンドル調整は、マッピング精度を損なわず、計算効率をどの程度向上できるか？

主な発見

• KITTIデータセットでは、平均トラッキング時間が41.7 ms、マッピング時間が61.5 ms/フレームにまで短縮され、LOAMに比べて顕著な計算効率の向上を達成した。
• SLAMパイプライン全体のCPU使用率は平均5.16–13.41%にまで低下したのに対し、Cartographerは18.59–33.6%であったため、顕著なリソース節約が確認された。
• KITTIおよびミシガン大学Ford Campusデータセットの両方で、最先端の精度を達成したが、計算コストは著しく低減された。
• 3次元点群を走査する代わりに2次元ラスタライズド画像を処理することで、特徴抽出時間が著しく短縮され、リアルタイム性能が実現できた。
• 2段階のループ閉じり検出手法により、誤検出を効果的に低減しながらも高い再現率を維持でき、トラッキング、マッピング、ループ閉じりスレッド間で特徴を再利用した。
• 局所バンドル調整とポーズグラフ最適化により、軌道の精度が著しく向上したが、キーフレーム構造のおかげで計算負荷への影響は最小限に抑えられた。