[논문 리뷰] PL-SLAM: a Stereo SLAM System through the Combination of Points and Line Segments

Ruben Gomez-Ojeda, David Zuñiga-Noël외 3명|arXiv (Cornell University)|2017. 05. 26.

Robotics and Sensor-Based Localization인용 수 25

한 줄 요약

PL-SLAM은 전통적인 점 기반 SLAM이 실패하는 저조도 환경에서 강력한 성능을 발휘하기 위해 3차원 점과 선분을 통합한 스테레오 시각 SLAM 시스템이다. 병합된 특징 추적, 새로운 bag-of-words 루프 클로징 방법, 그리고 종점 기반 선분 잔차를 사용하는 통합 최적화 프레임워크를 통해 ORB-SLAM과 같은 최신 기술 대비 KITTI 및 EuRoCo 데이터셋에서 실시간 성능을 유지하면서 정확도와 지ap의 풍부함을 향상시킨다.

ABSTRACT

Traditional approaches to stereo visual SLAM rely on point features to estimate the camera trajectory and build a map of the environment. In low-textured environments, though, it is often difficult to find a sufficient number of reliable point features and, as a consequence, the performance of such algorithms degrades. This paper proposes PL-SLAM, a stereo visual SLAM system that combines both points and line segments to work robustly in a wider variety of scenarios, particularly in those where point features are scarce or not well-distributed in the image. PL-SLAM leverages both points and segments at all the instances of the process: visual odometry, keyframe selection, bundle adjustment, etc. We contribute also with a loop closure procedure through a novel bag-of-words approach that exploits the combined descriptive power of the two kinds of features. Additionally, the resulting map is richer and more diverse in 3D elements, which can be exploited to infer valuable, high-level scene structures like planes, empty spaces, ground plane, etc. (not addressed in this work). Our proposal has been tested with several popular datasets (such as KITTI and EuRoC), and is compared to state of the art methods like ORB-SLAM, revealing a more robust performance in most of the experiments, while still running in real-time. An open source version of the PL-SLAM C++ code will be released for the benefit of the community.

연구 동기 및 목표

• 기존의 점 기반 스테레오 SLAM이 저조도, 특징이 부족한 환경에서 실패하는 문제를 해결하기 위해.
• 전체 파이프라인 전반에 걸쳐 점 외에 선분을 통합함으로써 SLAM의 강성과 지도 품질을 향상시키기 위해.
• 시각적 오도메트리, 키프레임 선택, 번들 조정 전반에서 점과 선분 특징을 일관되게 처리할 수 있는 통합 최적화 프레임워크를 개발하기 위해.
• 점과 선분의 이진 기술자를 조합한 bag-of-words 접근 방식을 활용해 루프 클로징 메커니즘을 설계하여 반복 구조가 많은 환경에서도 안정적인 성능을 확보하기 위해.
• 고수준의 장면 이해를 위한 기하 기하학적 원소(예: 평면, 에지)를 포함한 더 구조적으로 정보가 풍부한 3차원 지도를 생성하기 위해.

제안 방법

• 이중 기술자 기반으로 스테레오 영상에서 2차원 점과 선분을 검출하고 매칭하며, 선분 길이 및 방향 일관성 기반으로 이상치를 거르는 방식을 적용한다.
• 지도 내 3차원 선분은 종점으로 표현되어, 이미지 평면상의 관측된 무한선과 투영된 종점 간의 거리를 통해 정확한 잔차 계산이 가능하다.
• 점과 선분의 투영 오차를 가중치를 적용한 역공분산 행렬을 기반으로 통합 비용 함수로 조합하고, 점진적 가우스-뉴턴 최적화를 통해 최소화한다.
• 번들 조정 과정에서 이상치를 효과적으로 처리하기 위해 강력한 오차 가중치 기반 방식을 도입하여 수렴성과 안정성을 향상시킨다.
• 점과 선분의 기술자를 조합한 bag-of-words 루프 클로징 방법을 사용하여 재방문 탐지 및 자세 드리프트 보정을 수행한다.
• 세 번 이하의 관측을 가진 이상치 랜드마크는 제거하여 지도 품질을 유지하고 계산 부담을 줄인다.

실험 결과

연구 질문

• RQ1 기존 점 기반 특징 외에 선분을 통합함으로써 저조도 환경에서 SLAM의 강성이 크게 향상될 수 있는가?
• RQ2 선분 특징은 시각 오도메트리, 키프레임 선택, 번들 조정 등 SLAM 파이프라인 전반에 효과적으로 통합될 수 있는가?
• RQ3 점과 선분 기술자를 모두 활용한 병합된 bag-of-words 접근 방식이 단일 특징 기반 BoW 방법보다 루프 클로징 탐지 성능에서 뛰어난가?
• RQ4 선분의 통합이 3차원 지도의 구조적 풍부함과 기하학적 정확도에 어느 정도 기여하는가?
• RQ5 점과 선분 특징을 동시에 효율적으로 처리하면서 실시간 성능을 유지할 수 있는 통합 최적화 프레임워크를 설계할 수 있는가?

주요 결과

• PL-SLAM은 ORB-SLAM 대비 여러 데이터셋에서 뛰어난 강성을 보이며, 실내 복도나 도시 도로와 같은 저조도 환경에서 특히 두각을 나타낸다.
• 어려운 환경에서도 실시간 성능을 유지하면서 더 일관되고 정확한 카메라 자세 추정이 가능하다.
• 점과 선분 특징을 병합한 방식은 더 다양한 구조적 정보를 포함한 풍부한 기하학적 콘텐츠(예: 평면, 에지 포함)를 가진 3차원 지도를 생성한다.
• 선분에 대한 종점 기반 잔차 계산 방식은 정확하고 안정적인 최적화를 가능하게 하여 드리프트 감소와 지도 일관성 향상을 이룬다.
• 하이브리드 기술자를 사용한 bag-of-words 루프 클로징 방법은 반복적인 구조가 많은 환경에서 루프 탐지 신뢰도를 향상시킨다.
• 길이 및 방향 기반 이상치 필터링을 통해 부분적 가림이나 단절과 같은 선분 전용 과제를 효과적으로 처리한다.