[論文レビュー] SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks

Yan Xu, Zhaoyang Huang+6 more|arXiv (Cornell University)|Oct 19, 2020

Robotics and Sensor-Based Localization参考文献 30被引用数 10

ひとこと要約

本稿では、2次元投影のアーチファクトを回避するために、生のLiDAR点群を直接処理する3次元ボクセルベースの畳み込みニューラルネットワークを用いた自己教師ありLiDARオドメトリ手法SelfVoxeLOを提案する。新規の自己教師あり損失関数と不確実性に配慮したメカニズムを導入し、ノイズや動的物体に対して高い耐性を発揮する。KITTIおよびApollo-SouthBayデータセットにおいて、教師なしのアノテーションを用いながらも最先端の性能を達成し、リアルタイム推論を実現した。

ABSTRACT

Recent learning-based LiDAR odometry methods have demonstrated their competitiveness. However, most methods still face two substantial challenges: 1) the 2D projection representation of LiDAR data cannot effectively encode 3D structures from the point clouds; 2) the needs for a large amount of labeled data for training limit the application scope of these methods. In this paper, we propose a self-supervised LiDAR odometry method, dubbed SelfVoxeLO, to tackle these two difficulties. Specifically, we propose a 3D convolution network to process the raw LiDAR data directly, which extracts features that better encode the 3D geometric patterns. To suit our network to self-supervised learning, we design several novel loss functions that utilize the inherent properties of LiDAR point clouds. Moreover, an uncertainty-aware mechanism is incorporated in the loss functions to alleviate the interference of moving objects/noises. We evaluate our method's performances on two large-scale datasets, i.e., KITTI and Apollo-SouthBay. Our method outperforms state-of-the-art unsupervised methods by 27%/32% in terms of translational/rotational errors on the KITTI dataset and also performs well on the Apollo-SouthBay dataset. By including more unlabelled training data, our method can further improve performance comparable to the supervised methods.

研究の動機と目的

• 2次元投影に基づくLiDARオドメトリの限界を解消する。これは3次元幾何的構造を歪め、特徴品質を低下させる。
• 大規模なアノテート済みデータに依存する教師あり学習の問題を克服し、真のポーズが一切不要な自己教師あり学習を可能にする。
• 損失関数内の不確実性に配慮した信頼度推定メカニズムを導入し、ノイズや動的物体に対する耐性を向上させる。
• ラベルなしデータのみを用いてKITTIやApollo-SouthBayといった大規模ベンチマークで最先端の性能を達成する。
• 推論効率を最適化することで、実用的なロボットおよび自動運転アプリケーションに適したリアルタイム実装を実現する。

提案手法

• 生のLiDAR点群を細粒度の3次元グリッドにボクセル化し、空間的トポロジーを保持するとともに、3次元畳み込みによる特徴学習を可能にする。
• ボクセル化された点群から直接、階層的な幾何的特徴を抽出する3次元畳み込みニューラルネットワークを採用する。
• 球面再投影損失を導入し、角度的および距離的一致性を活用することで、ネットワークが近距離で安定した点に注目するよう促進する。
• 変換残差損失を適用し、予測されたポーズ変化からのずれを最小化することで、学習の安定化を図る。
• 深層フロー監督損失を組み込み、フレーム間での特徴一貫性を高めることで、点単位の特徴学習を強化する。
• ネットワークの予測を用いて対応ペアの信頼度スコアを推定し、それらを損失関数の重み付けに使用することで、ノイズや動的物体の影響を低減する。

実験結果

リサーチクエスチョン

• RQ1 3次元ボクセルベースのCNNフレームワークは、2次元投影ベースの手法に比べ、LiDARオドメトリにおける3次元幾何的構造をより効果的に捉えられるか？
• RQ2 アノテート済みポーズが一切ない状況下で、どのように自己教師あり損失関数を設計し、LiDARオドメトリネットワークを学習させられるか？
• RQ3 不確実性に配慮した信頼度推定は、動的物体やセンサーノイズに対してどれほど耐性を向上させられるか？
• RQ4 自己教師あり手法は、実世界のデータセットにおいて、教師ありの最先端手法と同等の性能を達成できるか？
• RQ5 提案手法は、実用的なロボットおよび自動運転アプリケーションに適したリアルタイム推論効率を維持しているか？

主な発見

• KITTIデータセットにおいて、SelfVoxeLOは最先端の教師なし手法と比較して、並進誤差で27%、回転誤差で32%の相対的低減を達成した。
• Apollo-SouthBayデータセットでは、多数の2フレームベースラインを上回り、マッピングの微調整を施した多フレームLOAMと同等の性能を示した。
• アブレーションスタディの結果、信頼度メカニズムを削除すると顕著な性能低下が生じ、信頼性の低い対応ペアを効果的にフィルタリングしていることが確認された。
• 球面再投影損失をユークリッド損失に置き換えた場合、顕著な性能低下が観察され、球面損失の設計の有効性が裏付けられた。
• V100 GPU上で1フレームあたり88.4 msで実行され、リアルタイム推論を達成し、従来のICPベースの手法よりも高速であった。
• 大規模なラベルなしデータとマッピングの微調整を組み合わせた場合、教師ありのLO-netと同等の性能を示し、優れた一般化性とスケーラビリティを示した。