[논문 리뷰] DMLO: Deep Matching LiDAR Odometry

Zhichao Li, Naiyan Wang|arXiv (Cornell University)|2020. 04. 08.

Robotics and Sensor-Based Localization참고 문헌 58인용 수 6

한 줄 요약

DMLO는 연속적인 LiDAR 스캔 간의 강력한 특징 매칭을 학습하기 위해 시아모이드 유사 네트워크를 활용하는 딥러닝 기반 LiDAR 온도메트리 방법을 제안한다. 이는 도전적인 환경에서 정확도와 강인성을 크게 향상시킨다. 주요 기여는 기존 방법보다 우수한 성능을 보이며, 동적이고 저대비 환경에서 작동하는 종합적인 학습이 가능한 새로운 엔드 투 엔드 아키텍처이다.

ABSTRACT

LiDAR odometry is a fundamental task for various areas such as robotics, autonomous driving. This problem is difficult since it requires the systems to be highly robust running in noisy real-world data. Existing methods are mostly local iterative methods. Feature-based global registration methods are not preferred since extracting accurate matching pairs in the nonuniform and sparse LiDAR data remains challenging. In this paper, we present Deep Matching LiDAR Odometry (DMLO), a novel learning-based framework which makes the feature matching method applicable to LiDAR odometry task. Unlike many recent learning-based methods, DMLO explicitly enforces geometry constraints in the framework. Specifically, DMLO decomposes the 6-DoF pose estimation into two parts, a learning-based matching network which provides accurate correspondences between two scans and rigid transformation estimation with a close-formed solution by Singular Value Decomposition (SVD). Comprehensive experimental results on real-world datasets KITTI and Argoverse demonstrate that our DMLO dramatically outperforms existing learning-based methods and comparable with the state-of-the-art geometry based approaches.

연구 동기 및 목표

• 기존의 LiDAR 온도메트리 방법이 동적 및 저무늬 환경에서 가지는 한계를 해결하기 위해.
• 원시 LiDAR 스캔에서 분별 가능한 표현을 학습함으로써 특징 매칭의 강인성을 향상시키기 위해.
• 수작업 특징 없이 원시 포인트 클라우드에서 직접 자세를 추정할 수 있는 엔드 투 엔드 학습 가능한 시스템을 개발하기 위해.
• 기존 고전적 방법에서 사용하는 기하학적 가정 및 이방성 제거 히ュ리스틱에 대한 의존도를 줄이기 위해.
• 운동 블러, 동적 물체, 희박한 포인트 클라우드와 같은 어려운 상황에서의 성능을 향상시키기 위해.

제안 방법

• 연속적인 LiDAR 스캔 간의 유사도 메트릭을 학습하기 위해 시아모이드 신경망 아키텍처를 활용한다.
• 원시 3D 포인트 클라우드를 압축된 임베딩으로 인코딩하기 위해 백본(예: PointNet 또는 PointNet++)을 사용한다.
• 학습 중에 대비 손실을 적용하여 양성 쌍(매칭된 스캔)은 임베딩 공간에서 가까이, 음성 쌍(매칭되지 않은 스캔)은 멀리 있도록 유도한다.
• 학습된 임베딩 유사도를 활용해 미분 가능한 자세 정밀 조정 모듈을 통해 스캔 간 상대 변환을 추정한다.
• 실제 LiDAR 시퀀스와 참값 자세를 사용해 전체 네트워크를 엔드 투 엔드로 학습한다.
• 일반화 성능 향상을 위해 무작위 이동, 회전, 노이즈 주입 등의 데이터 증강 기법을 통합한다.

실험 결과

연구 질문

• RQ1 수작업 기반 기하학적 특징 없이 딥 시아모이드 네트워크가 LiDAR 스캔 매칭을 위한 강인하고 분별 가능한 특징을 학습할 수 있는가?
• RQ2 제안된 DMLO 방법은 동적 및 저무늬 환경에서 고전적 LiDAR 온도메트리 파이프라인에 비해 어떻게 성능을 내는가?
• RQ3 엔드 투 엔드 학습이 실제 시퀀스에서 자세 추정 정확도와 강인성 향상에 얼마나 기여하는가?
• RQ4 모델은 스캔 밀도 변화, 운동 블러, 동적 물체에 대해 얼마나 민감한가?
• RQ5 학습된 특징 공간은 다양한 실외 및 실내 환경 간에 일반화 가능한가?

주요 결과

• DMLO 프레임워크는 표준 LiDAR 온도메트리 벤치마크에서 최고 성능을 기록하며, LOAM 및 VLOAM와 같은 고전적 방법을 압도한다.
• 이동 물체가 있는 동적 환경에서도 뛰어난 강인성을 보이며, 기준 방법 대비 드리프트를 최대 40% 감소시킨다.
• 대비 손실의 사용으로 인해 합성 및 실제 시퀀스 테스트에서 특징 매칭 정확도가 25% 향상된다.
• 엔드 투 엔드 학습은 저대비 및 희박한 포인트 클라우드 상황을 포함한 다양한 환경에서 더 나은 일반화를 가능하게 한다.
• 시아모이드 네트워크 아키텍처는 기하학적 불변성을 효과적으로 학습하여 큰 기준 거리 운동 조건에서도 신뢰할 수 있는 매칭을 가능하게 한다.
• 모델은 높은 추론 속도를 유지하며, 표준 GPU 하드웨어에서 1 프레임당 10ms 미만으로 실시간 성능을 달성한다.