[논문 리뷰] TagSLAM: Robust SLAM with Fiducial Markers

Bernd Pfrommer, Kostas Daniilidis|arXiv (Cornell University)|2019. 10. 01.

Robotics and Sensor-Based Localization참고 문헌 11인용 수 13

한 줄 요약

TagSLAM은 GTSAM의 요소 그래프 최적화를 활용하여 AprilTag 피드유셜 마커를 사용한 강력한 동시 위치 추정 및 지ap 맵핑(SLAM)을 가능하게 하는 오픈소스 ROS 프레임워크입니다. 하위그래프 기반의 오차 검증 최적화 파이pline을 통해 신뢰할 수 있는 초기화와 루프 클로징을 달성하며, 알려진 마커 위치에 자리를 고정시킴으로써 시각-자이로스코픽 온도메트리 시스템의 궤적 이격을 크게 감소시킵니다.

ABSTRACT

TagSLAM provides a convenient, flexible, and robust way of performing Simultaneous Localization and Mapping (SLAM) with AprilTag fiducial markers. By leveraging a few simple abstractions (bodies, tags, cameras), TagSLAM provides a front end to the GTSAM factor graph optimizer that makes it possible to rapidly design a range of experiments that are based on tags: full SLAM, extrinsic camera calibration with non-overlapping views, visual localization for ground truth, loop closure for odometry, pose estimation etc. We discuss in detail how TagSLAM initializes the factor graph in a robust way, and present loop closure as an application example. TagSLAM is a ROS based open source package and can be found at https://berndpfrommer.github.io/tagslam_web.

연구 동기 및 목표

• 피드유셜 마커를 사용한 유연하고 강력하며 쉽게 배포 가능한 SLAM 솔루션을 로봇 연구에 제공하기 위해.
• 그래프 기반 SLAM에서의 열악한 초기화 문제를 해결하기 위해. 이는 국소 최소값으로 수렴하거나 실패로 이어질 수 있음.
• 알려진 AprilTag 자세를 활용하여 시각-자이로스코픽 온도메트리(VIO)에서 루프 클로징과 궤적 보정을 가능하게 하기 위해.
• 외부 카메라 캘리브레이션, 물체 자세 추정, 피드유셜 마커를 이용한 지상 진위 위치 추정과 같은 다양한 로봇 작업을 지원하기 위해.
• 잘 문서화된 오픈소스 ROS 패키지를 통해 고급 SLAM 기법을 연구자들이 접근 가능하게 하기 위해.

제안 방법

• 동적 및 정적 시cene 요소를 모델링하기 위해 몸체(예: 실험실, 라이브러리, 블록), 태그( AprilTags), 카메라를 포함한 모듈러한 프론트엔드 추상화를 사용합니다.
• 검출된 태그에서 후보 자세 솔루션을 생성하고 오차 임계값을 통해 검증하는 하위그래프 기반의 초기화 전략을 적용합니다.
• 다중 순서 정렬 초기화 히우리스틱을 적용: 하위그래프 내의 요소 순서를 회전시켜 가장 큰 태그부터 점진적으로 작은 태그로 우선순위를 정함으로써 강건성을 향상시킵니다.
• 주 그래프에 통합하기 전에 각 하위그래프에 대해 비증분 최적화를 수행하여 초기 추정치를 검증함으로써 RANSAC 모델 선택을 모방합니다.
• 성공적인 하위그래프 검증 후 iSAM2를 사용해 전체 그래프의 증분 최적화를 수행하여 효율적인 온라인 업데이트를 가능하게 합니다.
• 카메라-태그 간 투영 요소와 온도메트리에서 유도된 상대 자세 요소를 요소 그래프에 통합하여 카메라 및 태그 자세를 동시에 최적화합니다.

실험 결과

연구 질문

• RQ1 피드유셜 마커를 사용한 요소 그래프 기반 SLAM에 대해 국소 최소값을 피할 수 있는 강력한 초기화 전략을 어떻게 설계할 수 있는가?
• RQ2 AprilTag 기반 SLAM은 시각-자이로스코픽 온도메트리 시스템에서 최소한의 이격으로 루프 클로징을 신뢰성 있게 가능하게 할 수 있는가?
• RQ3 알려진 마커 자세의 사용이 동적 또는 도전적인 환경에서 궤적 정확도를 어떻게 향상시키는가?
• RQ4 TagSLAM은 표준 SLAM을 초월해 외부 캘리브레이션 및 물체 자세 추정과 같은 다양한 로봇 작업을 어느 정도 지원할 수 있는가?
• RQ5 많은 프레임을 포함한 더 긴 궤적으로 확장할 경우 TagSLAM의 계산 성능과 실시간 실행 가능성은 어떠한가?

주요 결과

• TagSLAM은 폐쇄된 실험실에서 13분, 630m의 궤적을 통해 루프 클로징에 성공하였으며, 이로 인해 VIO에서 발생하는 심각한 궤적 이격이 수정되었고, 이로 인해 궤적이 출발 지점으로 돌아오지 못하는 문제가 해결되었습니다.
• TagSLAM 궤적이 정확히 출발 지점으로 돌아왔고, VIO와 ORB-SLAM2는 상당한 이격을 보이며 궤적이 출발 지점으로 돌아오지 못함을 확인하여 태그 기반 루프 클로징의 효과성을 입증하였습니다.
• Intel i9-9900K CPU에서 프레임당 평균 12ms의 처리 시간을 기록하였으며, 전체 비증분 최적화에 4.3초가 추가되어 오프라인 처리에 대해 강력한 실시간 실행 가능성을 보였습니다.
• iSAM2 재선형화로 인해 개별 프레임 처리 시간이 최대 260ms에 이를 수 있었지만, 마지막 두 개의 시간 단계만 유지하도록 설정하면 실시간 사용에 있어도 시스템은 유의미하게 유지됩니다.
• 반복적인 인덱스 순서 재정렬을 통한 하위그래프 초기화 전략이 이상치 측정치를 성공적으로 거부하여 최적화된 그래프의 오염을 방지하였습니다.
• TagSLAM은 정적 카메라와 이동 중인 태그가 있는 환경(예: 스마트 아비어리 프로젝트)에서도 배포가 가능하며, 기존의 SLAM 패키지가 명시적 물체 추적 기능이 없어 실패하는 상황에서도 작동함을 보여주었습니다.