[论文解读] DeepLO: Geometry-Aware Deep LiDAR Odometry

Younggun Cho, Giseop Kim+1 more|arXiv (Cornell University)|Feb 27, 2019

Robotics and Sensor-Based Localization参考文献 21被引用 27

一句话总结

本文提出 DeepLO，一种几何感知的深度 LiDAR 惯导里程计方法，通过将 ICP 集成到深度学习框架中，可在监督和无监督两种模式下进行训练。它使用渲染的顶点图和法线图作为输入，并采用一种基于几何一致性的新型无监督损失函数，在 KITTI 和 Oxford RobotCar 数据集上实现了最先进性能，且在训练过程中无需真实姿态标签。

ABSTRACT

Recently, learning-based ego-motion estimation approaches have drawn strong interest from studies mostly focusing on visual perception. These groundbreaking works focus on unsupervised learning for odometry estimation but mostly for visual sensors. Compared to images, a learning-based approach using Light Detection and Ranging (LiDAR) has been reported in a few studies where, most often, a supervised learning framework is proposed. In this paper, we propose a novel approach to geometry-aware deep LiDAR odometry trainable via both supervised and unsupervised frameworks. We incorporate the Iterated Closest Point (ICP) algorithm into a deep-learning framework and show the reliability of the proposed pipeline. We provide two loss functions that allow switching between supervised and unsupervised learning depending on the ground-truth validity in the training phase. An evaluation using the KITTI and Oxford RobotCar dataset demonstrates the prominent performance and efficiency of the proposed method when achieving pose accuracy.

研究动机与目标

• 开发一种基于深度学习的 LiDAR 惯导里程计系统，使其在监督和无监督训练模式下均能有效运行。
• 通过基于几何一致性损失的无监督训练，减少对昂贵真实姿态标注的依赖。
• 通过使用不同传感器配置和环境条件下的多样化 LiDAR 数据集，提升模型的泛化能力和鲁棒性。
• 通过使用类似表面元胞（surfel-like）的表示形式（顶点图和法线图）而非原始点云，保持高精度和高效性。
• 在轨迹多样性较低的数据集（如 Oxford RobotCar）上实现跨数据集的迁移学习，以增强模型稳定性和性能。

提出的方法

• 该方法使用渲染的顶点图和法线图作为深度神经网络的输入，以替代对原始 3D 点云的直接处理，从而提升计算效率。
• 在顶点图和法线图上应用可微分的 ICP 类损失函数，以在连续帧之间强制实现几何一致性。
• 定义了两种损失函数：一种用于使用真实姿态的监督学习，另一种用于基于光度一致性和几何一致性的无监督学习。
• 网络通过端到端方式使用监督或无监督损失进行训练，根据训练期间是否提供真实姿态自动切换训练模式。
• 通过使用 KITTI 数据集上预训练的权重初始化网络，实现迁移学习，以提升在轨迹多样性较低的 Oxford RobotCar 数据集上的性能。
• 采用标准轨迹评估指标对系统进行评估，包括绝对轨迹误差（ATE）和相对平移/航向误差。

实验结果

研究问题

• RQ1 基于深度学习的 LiDAR 惯导里程计系统是否能在不依赖训练阶段真实姿态的情况下实现高精度？
• RQ2 使用顶点图和法线图作为输入表示形式，在保留 LiDAR 惯导里程计中几何信息方面是否有效？
• RQ3 统一的训练流程是否能够同时支持 LiDAR 惯导里程计的监督和无监督学习？
• RQ4 所提出的基于几何一致性的无监督损失在姿态估计精度方面与监督基线相比表现如何？
• RQ5 迁移学习在轨迹多样性有限的数据集上能在多大程度上提升性能？

主要发现

• 在 Oxford RobotCar 数据集上，DeepLO-U（无监督）在 Short 序列中实现了 6.78 m 的绝对轨迹误差（ATE），优于同一序列中的立体视觉里程计基线（4.22 m）。
• 在 Alternate 序列（2014-05-14-13-50-20）中，DeepLO-U 的 ATE 为 19.93 m，显著低于立体视觉里程计基线的 37.74 m。
• 在同一数据集中，DeepLO-S（监督）在 Alternate 序列中实现了 14.71 m 的 ATE，表明即使在真实姿态监督下也表现出色。
• DeepLO 的无监督版本在多个序列中实现了与立体视觉里程计相当或更优的性能，表明其在真实世界条件下的鲁棒性。
• 迁移学习显著提升了在 Oxford RobotCar 数据集上的训练稳定性和性能，尤其在轨迹多样性较低的序列中表现突出。
• 该方法成功以无监督方式估计了 Oxford RobotCar 数据集上长达 10 km 的轨迹，证明了其可扩展性和长期一致性。