[論文レビュー] CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description

Deyu Yin, Qian Zhang+7 more|arXiv (Cornell University)|Jan 6, 2020

Robotics and Sensor-Based Localization参考文献 49被引用数 21

ひとこと要約

CAE-LOは、球面リング投影に2次元畳み込み自己符号化器（CAE）を用いて特徴点検出を行い、多スケールボクセル特徴抽出に3次元CAEを適用する完全に自己教師ありLiDARオドメトリーシステムを提案する。KITTIデータセットにおいて、最先端手法と比較して一致内点比が50%以上向上し、キーフレーム選択、オドメトリーリファイニング、および後向きポーズ更新により、非構造的環境でも性能が向上する。

ABSTRACT

As an important technology in 3D mapping, autonomous driving, and robot navigation, LiDAR odometry is still a challenging task. Appropriate data structure and unsupervised deep learning are the keys to achieve an easy adjusted LiDAR odometry solution with high performance. Utilizing compact 2D structured spherical ring projection model and voxel model which preserves the original shape of input data, we propose a fully unsupervised Convolutional Auto-Encoder based LiDAR Odometry (CAE-LO) that detects interest points from spherical ring data using 2D CAE and extracts features from multi-resolution voxel model using 3D CAE. We make several key contributions: 1) experiments based on KITTI dataset show that our interest points can capture more local details to improve the matching success rate on unstructured scenarios and our features outperform state-of-the-art by more than 50% in matching inlier ratio; 2) besides, we also propose a keyframe selection method based on matching pairs transferring, an odometry refinement method for keyframes based on extended interest points from spherical rings, and a backward pose update method. The odometry refinement experiments verify the proposed ideas' feasibility and effectiveness.

研究の動機と目的

• 教師ありデータに依存しない完全に自己教師ありLiDARオドメトリーシステムの開発。
• 従来手法が困難とする非構造的環境における一致性能の向上。
• 自己符号化アーキテクチャを用いた特徴表現および特徴点検出の向上。
• 一致ペアの転送性とポーズリファインメントに基づくキーフレーム選択戦略の導入によるトラジェクトリ精度の向上。
• 後向きポーズ更新と拡張特徴点リファインメントの実現可能性および有効性の検証。

提案手法

• 2次元球面リング投影を用いてLiDARスキャンの空間的構造を保持し、2次元畳み込み自己符号化器（CAE）に供給することで、自己教師あり特徴点検出を実現。
• 多スケールボクセル化点群に3次元畳み込み自己符号化器（CAE）を適用し、強固で階層的な特徴表現を学習。
• 2次元CAEによる球面リングデータの再構成により特徴点を検出し、再構成誤差を用いて顕著な領域を特定。
• 連続フレーム間の一致ペアの転送性に基づくキーフレーム選択メカニズムを導入し、冗長性を低減するとともに効率を向上。
• 球面リング投影からの拡張特徴点を用いてオドメトリーリファインニングを実施し、ポーズ推定精度を向上。
• 後向きポーズ更新戦略を適用し、後続フレームの情報を用いて過去のポーズを再評価することで、トラジェクトリを精緻化。

実験結果

リサーチクエスチョン

• RQ1 完全に自己教師ありの2次元CAEは、アノテーション付き学習データを一切必要とせず、LiDARデータにおける特徴点を効果的に検出できるか？
• RQ2 多スケールボクセル化データに3次元CAEを適用することで、LiDARオドメトリに向けた特徴表現がどの程度向上するか？
• RQ3 一致ペアの転送性に基づく提案キーフレーム選択法は、計算効率および精度をどの程度向上させるか？
• RQ4 球面投影からの拡張特徴点を用いたオドメトリーリファインニングは、トラジェクトリのずれを顕著に低減できるか？
• RQ5 後向きポーズ更新機構は、最終的なトラジェクトリ精度に測定可能な向上をもたらすか？

主な発見

• 提案された特徴点検出法は、より多くの局所幾何的詳細を捉え、非構造的環境における一致成功確率を顕著に向上させる。
• 3次元CAEに基づく特徴記述子は、KITTIデータセットにおいて、最先端手法と比較して一致内点比が50%以上優れている。
• 一致ペアの転送性に基づくキーフレーム選択法は、冗長処理を低減しながらも高い精度を維持する。
• 球面リングからの拡張特徴点を用いたオドメトリーリファインニングは、トラジェクトリのずれ低減に明確な実現可能性と有効性を示す。
• 後向きポーズ更新機構は、全体的なトラジェクトリの一貫性および精度向上に寄与する。