[論文レビュー] LiDAR Odometry Methodologies for Autonomous Driving: A Survey

Nikhil Jonnavithula, Yecheng Lyu+1 more|arXiv (Cornell University)|Sep 13, 2021

Robotics and Sensor-Based Localization参考文献 71被引用数 12

ひとこと要約

本調査は、自律走行を想定したLiDARオドメトリ手法を、対応タイプ（点、分布、ネットワークベース）に分類し、パイプライン、利点、制限要因を分析している。KITTIデータセット上で手法を評価し、実行時間においてELOが最速であり、精度面でも競争力があることが判明。ディープラーニングベースのアプローチが、リアルタイムかつ耐障害性に優れたオドメトリに有望であると示唆している。

ABSTRACT

Vehicle odometry is an essential component of an automated driving system as it computes the vehicle's position and orientation. The odometry module has a higher demand and impact in urban areas where the global navigation satellite system (GNSS) signal is weak and noisy. Traditional visual odometry methods suffer from the diverse illumination status and get disparities during pose estimation, which results in significant errors as the error accumulates. Odometry using light detection and ranging (LiDAR) devices has attracted increasing research interest as LiDAR devices are robust to illumination variations. In this survey, we examine the existing LiDAR odometry methods and summarize the pipeline and delineate the several intermediate steps. Additionally, the existing LiDAR odometry methods are categorized by their correspondence type, and their advantages, disadvantages, and correlations are analyzed across-category and within-category in each step. Finally, we compare the accuracy and the running speed among these methodologies evaluated over the KITTI odometry dataset and outline promising future research directions.

研究の動機と目的

• 点、分布、ネットワークベースの対応タイプに基づいて、既存のLiDARオドメトリ手法を体系的に分類・分析すること。
• オドメトリパイプラインを5段階に分解すること：前処理、特徴抽出、対応探索、変換推定、後処理。
• KITTIオドメトリベンチマークを用いて、精度と実行速度の観点からLiDARオドメトリ手法の性能を評価・比較すること。
• 照明への感受性の低さ、3次元ポーズ推定、リアルタイム配備の制約といった、LiDARオドメトリにおける主な課題を特定すること。
• 特に、自律走行システムにおける精度と耐障害性の向上を目的とした統合ベースのアプローチを含む、今後の研究方向性を提示すること。

提案手法

• 対応タイプに基づき、LiDARオドメトリ手法を3つのカテゴリーに分類：点対応（例：ICP、LOAM）、分布対応（例：NDT、Go-Net）、ネットワーク対応（例：DCP、DeepLO、LodoNet）。
• オドメトリパイプラインの各段階を分析：前処理（例：地面除去、動的物体フィルタリング）、特徴抽出（例：SIFT、SURF、ORB、PointNet、OverlapNet）、対応探索、変換推定（例：ICP、RANSAC）、後処理（例：スムージング、ループクロージャ）。
• 連続するLiDARフレーム間のポーズ変更を4×4の同次変換行列で表現：$ Tr = \begin{bmatrix} R & t \\ 0 & 1 \end{bmatrix} $、ここで $ R \in SO(3) $ かつ $ t \in \mathbb{R}^3 $。
• LodoNet や LeGO-LOAM などの手法で、3次元点群を球面投影により2次元に変換し、計算コストを低減する2次元畳み込みニューラルネットワーク（2D CNN）を効率的に活用する。
• 損失関数（例：L3-Netにおけるマスク重み付き幾何制約損失、PWCLOにおける階層的埋め込み最適化）を用いて、ディープラーニングベースの手法の耐障害性と一般化性能を向上。
• KITTIオドメトリデータセット上で、並進誤差・回転誤差、実行時間などの指標を用いて手法を比較。ELOは0.005秒の推論時間で優れた性能を示し、DeepLOは平均的に高い性能を発揮。

実験結果

リサーチクエスチョン

• RQ1 点、分布、ネットワークベースの対応タイプは、LiDARオドメトリにおいて精度、耐障害性、計算効率の観点でどのように比較されるか？
• RQ2 LiDARオドメトリの5段階パイプラインにおける主要な構成要素とトレードオフは何か。それらは全体の性能にどのように影響を与えるか？
• RQ3 KITTIデータセット上で、精度とリアルタイム性能のバランスを最も良く達成しているLiDARオドメトリ手法はどれか？
• RQ4 ディープラーニングベースのアプローチは、ICP や LOAM といった従来手法に比べ、一般化性能や誤差収束性においてどのように向上しているか？
• RQ5 統合ベースのアーキテクチャを含め、LiDARオドメトリにおける今後の有望な研究方向性は何か？

主な発見

• ELOは1フレームあたり0.005秒という最速の実行時間を達成し、LOAM や他の手法を上回る速度性能を示しながらも、競争力のある精度を維持している。
• DeepLOは、KITTIの全11シーケンスにわたり、教師あり・教師なしのフレームワークを統合することで、幾何学的推定性能が向上し、平均的な性能が優れている。
• NDTベースの LOAM は、評価されたすべての手法の中で最小の回転誤差および並進誤差を記録しており、ポーズ推定の観点で最も正確である。
• PWCLO は、KITTIデータセット上での並進誤差および回転誤差の両方において、LodoNet や LOAM、DMLO、LO-Net を上回っており、優れた精度を示している。
• D3DLO は点群サイズを40–50％削減し、DeepCLR に比べてパラメータ数の3.56％しか使用しないが、同等の性能を達成しており、計算コストを低減している。
• DeepCLR や D3DLO は LOAM と同等の実行時間を達成しており、DeepCLR は速度面でも LOAM を上回っている。これは、ディープラーニングが従来手法の効率性を模倣または凌駆できる可能性を示唆している。