[논문 리뷰] Loam_livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV

Jiarong Lin, Fu Zhang|arXiv (Cornell University)|2019. 09. 15.

Robotics and Sensor-Based Localization참고 문헌 16인용 수 38

한 줄 요약

Loam_livox 실시간 LiDAR 오도메트리 및 매핑은 소형 FoV 고정형 LiDAR에서 Robust한 특징 추출, 모션 보정 및 병렬화 최적화를 통해 작동하며 오픈 소스에서 이용 가능하다.

ABSTRACT

LiDAR odometry and mapping (LOAM) has been playing an important role in autonomous vehicles, due to its ability to simultaneously localize the robot's pose and build high-precision, high-resolution maps of the surrounding environment. This enables autonomous navigation and safe path planning of autonomous vehicles. In this paper, we present a robust, real-time LOAM algorithm for LiDARs with small FoV and irregular samplings. By taking effort on both front-end and back-end, we address several fundamental challenges arising from such LiDARs, and achieve better performance in both precision and efficiency compared to existing baselines. To share our findings and to make contributions to the community, we open source our codes on Github

연구 동기 및 목표

• 소형 FoV를 가진 고정형 LiDAR의 견고한 SLAM을 동기화하기 위한 연구 동기 부여.
• 소형 FoV LiDAR에 맞춘 프런트 엔드 특징 추출 및 백 엔드 최적화를 포함하는 완전한 LOAM 파이프라인 개발.
• LiDAR 특화 프런트 엔드 처리, 모션 보정 및 병렬화된 백 엔드 최적화를 통해 정확도와 효율성 향상.
• 커뮤니티 활용 및 향후 연구를 촉진하기 위한 오픈 소스 구현 제공

제안 방법

• LiDAR 물리적 특성(깊이, 편향 각, 강도, 입사 각)을 고려하여 우수 포인트를 추출하고 FoV 경계부와 차폐부 근처에서 선택적 가지치기 적용.
• 로컬 매끄러움으로 에지와 평면으로 특징을 분류하고 소형 FoV에서 저하를 완화하기 위해 반사를 네 번째 특징으로 보강.
• 에지-에지 및 평면-평면 잔차를 사용하여 로컬 맵에 현재 프레임 특징을 정렬하는 반복적 포즈 최적화 및 KD-tree 이웃 탐색.
• 현재 프레임 포인트를 엔드포인트 포즈 또는 조각별 포즈 보정을 통해 글로벌 맵으로 투영하여 모션 왜곡에 대처.
• 두 가지 모션 보정 스킴 도입: 조각별 처리(세 개의 서브 프레임을 병렬로 매칭) 및 선형 보정, 조각별 처리의 우수성 입증.
• 최적화 중 잔차를 재평가하고 상위 잔차를 제거하여 동적 물체를 필터링하는 이상치 제거 구현

실험 결과

연구 질문

• RQ1 작은 FoV 및 비반복적인 스캐닝 패턴을 갖는 LiDAR에 대해 LOAM 스타일의 오도메트리 및 매핑이 효과적으로 실현될 수 있는가?
• RQ2 전처리 포인트 선택 및 반사도 보강이 한정된 특징 및 움직이는 물체하에서 견고함을 향상시킬 수 있는가?
• RQ3 조각별 모션 보정이 연속 모션 LiDAR에 대해 선형 보정에 비해 정확도와 속도를 향상시키는가?
• RQ4 LOAM 파이프라인을 병렬화하고 소형 FoV LiDAR에 맞춰 커스터마이징할 때 실시간 성능 및 정확도 이점은 무엇인가?

주요 결과

Platform (config)	Ours (ms)	Baseline (ms)
Desktop PC parallel (i7-9700K, 4.0–4.8 GHz)	35.68	109.00
Onboard PC parallel (DJI Manifold2, i7-8550U)	54.60	125.13

• 이 방법은 약 20 Hz 수준의 실시간 오도메트리 및 매핑을 달성한다.
• 조각별 처리은 모션 보정에서 선형 보정보다 정확도와 효율성 측면에서 우수하다.
• 에지-에지 및 평면-평면 잔차를 통해 동적 객체 필터링과 함께 견고한 포즈 최적화를 가능하게 한다.
• GPS 비교에서 두 데이터셋에서 로컬라이제이션 정확도가 각각 0.41% 및 0.65%, 모카프(mocap) 비교에서 오일러 각도 오차가 약 1.1도에 이른다.
• 데스크톱 및 온보드 플랫폼에서 제안 방법은 베이스라인 LOAM 구현 대비 2~3배 빠르게 작동하며, 제안 방법의 프레임 시간은 Desktop에서 35.68 ms, Onboard에서 54.60 ms인 반면 베이스라인은 각각 109.00 ms, 125.13 ms이다.
• 시스템은 소형 FoV 및 비정형 스캔 패턴에도 불구하고 계단, 레일, 대규모 구조물 등 고품질 매핑을 유지한다.