[논문 리뷰] LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

Tixiao Shan, Brendan Englot외 4명|arXiv (Cornell University)|2020. 07. 01.

Robotics and Sensor-Based Localization참고 문헌 24인용 수 99

한 줄 요약

LIO-SAM은 인접한 라이다–IMU 프레임워크를 요소 그래프에 밀착 결합시켜 실시간 궤적 추정 및 매핑을 제공하며, 루프클로저와 선택적 GPS를 통해 드리프트 보정.

ABSTRACT

We propose a framework for tightly-coupled lidar inertial odometry via smoothing and mapping, LIO-SAM, that achieves highly accurate, real-time mobile robot trajectory estimation and map-building. LIO-SAM formulates lidar-inertial odometry atop a factor graph, allowing a multitude of relative and absolute measurements, including loop closures, to be incorporated from different sources as factors into the system. The estimated motion from inertial measurement unit (IMU) pre-integration de-skews point clouds and produces an initial guess for lidar odometry optimization. The obtained lidar odometry solution is used to estimate the bias of the IMU. To ensure high performance in real-time, we marginalize old lidar scans for pose optimization, rather than matching lidar scans to a global map. Scan-matching at a local scale instead of a global scale significantly improves the real-time performance of the system, as does the selective introduction of keyframes, and an efficient sliding window approach that registers a new keyframe to a fixed-size set of prior ``sub-keyframes.'' The proposed method is extensively evaluated on datasets gathered from three platforms over various scales and environments.

연구 동기 및 목표

• 실시간 모바일 로봇 SLAM에서 라이다 오도메트리의 드리프트 및 정확도 한계를 해결한다.
• 단일 요소 그래프 프레임워크 내에서 LiDAR, IMU 및 절대 센서(예: GPS)의 밀집 융합을 가능하게 한다.
• 로컬 스캔 매칭, 선택적 키프레임, 슬라이딩 윈도우 접근을 통해 실시간 성능을 달성한다.
• 루프 클로저와 장소 인식을 지원하여 장기 드리프트를 보정하고 다양한 환경에서의 매핑을 가능하게 한다.
• 다양한 플랫폼과 데이터셋에 걸쳐 접근 방식을 검증하여 견고성과 확장성을 보여준다.

제안 방법

• IMU 프리통합, LiDAR 오도메트리, GPS, 루프 클로저 요인을 포함한 요소 그래프에서 라이다-IMU 오도메트리 수식화.
• IMU 프리통합을 사용하여 라이다 스캔의 왜곡을 제거하고 LiDAR 오도메트리 최적화를 위한 초기 모션 추정치를 제공하는 동시에 IMU 바이어스도 함께 추정한다.
• 실시간 성능을 위해 고정 크기의 서브 키프레임 집합을 사용하는 로컬 맵 기반 스캔 매칭을 채택한다.
• 최근 키프레임에서 가장 최근의 2-type 복셀 맵을 구성하여 에지 및 평면 특징 매칭을 지원한다.
• 가능한 경우 GPS 및 루프 클로저 요인을 통합하여 드리프트를 줄이고 글로벌 일관성을 향상시킨다.
• 글로벌 궤적-요인 그래프에서 Bayes-tree 기반의 점진적 최적화(iSAM2)를 활용하고, 실시간 성능 유지를 위해 오래된 라이다 스캔을 마진화한다.

실험 결과

연구 질문

• RQ1 요소 그래프에 구축된 밀착 라이다–IMU 시스템이 다양한 환경에서 실시간의 저드리프트 궤적 추정 및 매핑을 제공할 수 있는가?
• RQ2 로컬(전역이 아닌) 스캔 매칭, 키프레임 전략 및 마진화가 실시간 성능과 정확도에 dense, 전역 접근 방식에 비해 어떤 영향을 미치는가?
• RQ3 절대 측정(GPS) 및 루프 클로저를 추가하는 것이 드리프트 보정 및 맵 일관성에 어떤 영향을 미치는가?
• RQ4 도전적인 모션에서 LIO-SAM은 정확도와 런타임 측면에서 LOAM 및 LIOM과 어떻게 비교되는가?

주요 결과

• LIO-SAM은 여러 데이터셋에서 LOAM 및 LIOM에 비해 단일 스캔당 실시간 성능을 크게 유지하며 실행 시간이 더 짧다.
• GPS 없이도 외부 참조(예: Google Earth)와 일치하는 매핑을 생성한다.
• LIO-SAM은 공격적인 회전 및 평행이동에서도 강건하며 여러 시나리오에서 LOAM 및 LIOM보다 우수하다.
• GPS 및 루프-클로저 요인은 드리프트를 효과적으로 줄이며, GPS만으로는 닫을 수 없는 루프를 닫아 글로벌 일관성을 개선한다.
• 시스템은 실시간 작동을 유지하면서 최대 13배의 실시간 데이터에 대해 스트레스 테스트를 거친 높은 처리량을 지원한다.