[論文レビュー] IN2LAAMA: INertial Lidar Localisation Autocalibration And MApping

Cédric Le Gentil, Teresa Vidal‐Calleja+1 more|arXiv (Cornell University)|May 23, 2019

Advanced Vision and Imaging被引用数 7

ひとこと要約

IN2LAAMA は、3D ライダーと 6-DoF IMU を用いた、オフライン確率的フレームワークとして、ライダーインertial同時自己位置推定・地図作成および外部キャリブレーションを提案する。運動歪みは、ガウス過程補間を用いた事前統合されたインertial測定値のアップサンプリングにより補正され、ループクロージャーを組み込んだバッチ最適化により、正確なスキャン登録と状態推定が可能となり、実世界の地図で 30mm 未満の点対平面誤差を達成する。

ABSTRACT

In this paper, we present INertial Lidar Localisation Autocalibration And MApping (IN2LAAMA): an offline probabilistic framework for localisation, mapping, and extrinsic calibration based on a 3D-lidar and a 6-DoF-IMU. Most of today's lidars collect geometric information about the surrounding environment by sweeping lasers across their field of view. Consequently, 3D-points in one lidar scan are acquired at different timestamps. If the sensor trajectory is not accurately known, the scans are affected by the phenomenon known as motion distortion. The proposed method leverages preintegration with a continuous representation of the inertial measurements to characterise the system's motion at any point in time. It enables precise correction of the motion distortion without relying on any explicit motion model. The system's pose, velocity, biases, and time-shift are estimated via a full batch optimisation that includes automatically generated loop-closure constraints. The autocalibration and the registration of lidar data rely on planar and edge features matched across pairs of scans. The performance of the framework is validated through simulated and real-data experiments.

研究の動機と目的

• スキャン統合中のセンサーの運動によって生じる 3D ライダー スキャンの運動歪みを、明示的な運動モデルに依存せずに補正すること。
• 同時自己位置推定・地図作成中に、3D ライダーと 6-DoF IMU 間の正確なターゲットレスな外部キャリブレーションを可能にすること。
• 完全バッチ最適化フレームワークにインertial 測定値を制約として統合することで、マッピングの正確性を向上させること。
• 特徴抽出とトラジェクトリ推定の間の「鶏とたまご」問題を、更新された状態推定に基づく特徴の反復的精錬によって解消すること。
• 平面およびエッジ特徴を用い、頑健なデータ関連付けとループクロージャー制約を組み合わせることで、多様な環境における高精度な 3D マッピングを達成すること。

提案手法

• 連続的なガウス過程ベースの補間を用いた IMU 測定値の事前統合により、ライダー スキャン中の任意の時刻における運動特徴を記述できるアップサンプリング事前統合測定値（UPM）を生成すること。
• ライダー要因（点対平面、点対線）とインエラント要因（フレーム間の UPM）を含む要因グラフを構築し、ポーズ、速度、バイアス、時刻オフセットを同時に最適化すること。
• 自動的に生成されたループクロージャー制約を統合した完全バッチ多様体最適化を実行し、グローバルな整合性を向上させること。
• 最新の状態推定に基づいてフロントエンドで幾何的特徴（平面およびエッジ）を反復的に再計算することで、特徴の質とトラジェクトリの正確性の相互依存性を解消すること。
• 回帰誤差のしきい値と遮蔽状態のチェックに基づく拒否アルゴリズムを用いて特徴候補を処理し、特徴マッチングの頑健性を向上させること。
• UPM が初期ポーズおよび速度条件に依存しないことを利用し、最適化プロセスにおける数値的安定性を確保すること。

実験結果

リサーチクエスチョン

• RQ1 特定の運動モデルを仮定せずに、3D ライダー スキャンにおける運動歪みを効果的に補正できるか？
• RQ2 ターゲットレスな設定下で、3D ライダーと 6-DoF IMU 間の外部キャリブレーションを、自己位置推定とマッピングと同時に実行できるか？
• RQ3 インエラント要因を最適化に統合することで、動的または複雑な環境におけるライダーインエラント SLAM の正確性と頑健性がどの程度向上するか？
• RQ4 更新された状態推定に基づく幾何的特徴の反復的精錬が、全体のマッピング正確性に与える影響は何か？
• RQ5 不適切にモデル化された IMU データが、提案フレームワークの性能に与える影響は何か？

主な発見

• IN2LAAMA は、実世界の 3D マップで平均して 27 mm の点対平面距離を達成し、同じ環境でチェーン化キャリブレーション（58 mm）を著しく上回る。
• 本手法は、多様な実世界およびシミュレーテッド環境において、最先端のライダー SLAM アルゴリズムと比較して優れた性能を示した。
• 最適化におけるインエラント要因の使用は、特に高動的運動シナリオにおいて頑健性を向上させた。
• フレームワークはターゲットレスな外部キャリブレーションを成功裏に実行し、外部キャリブレーションターゲットなしでライダーと IMU 間の正確なアライメントを達成した。
• 反復的特徴再計算プロセスは、特徴マッチングの信頼性を向上させ、マップの整合性と幾何的正確性の向上に寄与した。
• 本手法は計算的に高負荷であり、リアルタイムではないが、スライディング ウィンドウ最適化や GPU 加速などの戦略を用いた今後のリアルタイム実装の強固なベースラインを提供する。