[논문 리뷰] What's in My LiDAR Odometry Toolbox?

Pierre Dellenbach, Jean‐Emmanuel Deschaud외 2명|arXiv (Cornell University)|2021. 03. 17.

Robotics and Sensor-Based Localization참고 문헌 18인용 수 1

한 줄 요약

이 논문은 다양한 데이터셋을 기반으로 고전적 기하학적, 딥 러닝 기반, 하이브리드 LiDAR 온도메트리 방법 간의 종합적인 비교 분석을 제시한다. 저자들은 모듈러한 프레임워크인 pyLiDAR-SLAM을 구현하고 공개하여, 특히 고도 이미지(EI) 방법을 사용한 적절한 운동 초기화가 고전적 F2M 정렬 성능을 크게 향상시킨다는 것을 입증한다. 반면, 딥 러닝 기반 방법은 훈련 데이터에서 뛰어난 성능를 보이지만, 복잡하고 다이나믹한 환경에서 일반화에 어려움을 겪는다.

ABSTRACT

With the democratization of 3D LiDAR sensors, precise LiDAR odometries and SLAM are in high demand. New methods regularly appear, proposing solutions ranging from small variations in classical algorithms to radically new paradigms based on deep learning. Yet it is often difficult to compare these methods, notably due to the few datasets on which the methods can be evaluated and compared. Furthermore, their weaknesses are rarely examined, often letting the user discover the hard way whether a method would be appropriate for a use case. In this paper, we review and organize the main 3D LiDAR odometries into distinct categories. We implemented several approaches (geometric based, deep learning based, and hybrid methods) to conduct an in-depth analysis of their strengths and weaknesses on multiple datasets, guiding the reader through the different LiDAR odometries available. Implementation of the methods has been made publicly available at https://github.com/Kitware/pyLiDAR-SLAM.

연구 동기 및 목표

• 다양한 데이터셋을 기반으로 고전적 기하학적, 딥 러닝 기반, 하이브리드 LiDAR 온도메트리 방법을 체계적으로 평가하고 비교하는 것.
• 고전적 방법의 주요 약점, 특히 나쁜 초기화 및 지ap 품질에 대한 민감성 분석.
• 운동 초기화 전략이 F2M 기반 온도메트리 성공에 미치는 영향이 이웃 관계 설정 또는 에너지 최소화 방법 선택보다 더 중요함을 입증하는 것.
• 재현 가능한 벤치마킹과 딥 러닝 및 고전적 방법의 향후 통합을 지원하기 위해 공개 가능한 모듈러 구현(pyLiDAR-SLAM) 제공.
• PoseNet 기반 온도메트리의 실제 도로 외 복잡한 환경에서의 일반화 능력 평가, 표준 주행 시퀀스를 초월한 환경에서의 성능 분석.

제안 방법

• 저자들은 고전적 ICP 기반 F2M, 투영 및 k-d 트리 이웃 검색, 상대 자세 회귀를 위한 딥 러닝 기반 PoseNet을 포함한 여러 온도메트리 접근법을 구현하고 비교한다.
• 초기화(EI, CV), 이웃 관계 설정(투영, k-d 트리), 에너지 최소화(점-면, 일반화된 ICP)를 위한 플러그인 가능한 구성 요소를 갖춘 모듈러 프레임워크를 설계한다.
• PoseNet에 대해 지도 학습 및 비지도 학습 전략을 사용하며, 비지도 학습은 지면 진실값에 의존하지 않도록 점-면 오차와 투영 이웃 관계 설정을 활용한다.
• F2F(프레임-프레임) 및 F2M(프레임-모델) 정렬을 모두 지원하여 초기화 및 관계 설정 전략의 체계적 분석을 가능하게 한다.
• KITTI, Ford Campus, NCLT 데이터셋을 대상으로 평가를 수행하며, 평균 이동 오차(ATE), 실패 횟수, 궤적 시각화 등의 지표를 사용한다.
• 실제 환경에서의 안정성과 수렴성을 향상시키기 위해 비지도 학습을 위한 새로운 훈련 전략을 제안하고 구현한다.

실험 결과

연구 질문

• RQ1 특히 고도 이미지(EI) 초기화와 일정 속도(CV) 초기화 간의 차이가 고전적 F2M LiDAR 온도메트리의 성능과 안정성에 어떤 영향을 미치는가?
• RQ2 딥 러닝 기반 온도메트리 방법은 돌발적인 회전이나 다이나믹 오브제가 있는 복잡한 환경으로의 일반화 능력이 어느 정도인가? 특별히 표준 주행 시퀀스 외 환경에서의 성능 분석.
• RQ3 고전적 ICP 기반 F2F 정렬의 주요 실패 원인은 무엇이며, 딥 러닝 기반 또는 하이브리드 접근법과 비교해보면 어떠한가?
• RQ4 비지도 학습된 PoseNet이 지면 진실값 없이도 F2M 정렬 성공을 향상시키는 신뢰할 수 있고 안정적인 初기 운동 추정치를 제공할 수 있는가?
• RQ5 투영 대비 k-d 트리 이웃 관계 설정 방식의 선택이 어려운 상황에서 LiDAR 온도메트리의 정확성과 안정성에 어떤 영향을 미치는가?

주요 결과

• 고도 이미지(EI) 초기화 방법이 일정 속도(CV) 초기화보다 유의미하게 뛰어나며, NCLT 시퀀스 01/08에서 평균 이동 오차(ATE)를 1.84m로 감소시켰다. 반면 CV 초기화 시 ATE는 11.49m로 높았다.
• 비지도 학습된 PoseNet 기반 온도메트리 역시 NCLT와 같은 반복적이고 복잡한 환경에서는 일반화에 실패하며, 테스트 시퀀스에서 ATE가 48.7m에 이르러 돌발 운동 상황에서의 낮은 일반화 능력을 보였다.
• 투영 이웃 관계 설정(P-F2M)은 k-d 트리 이웃 검색(Kd-F2M)보다 성능이 열 劣하며, 특히 급격한 회전 상황에서 더 정밀한 이웃 관계 설정이 어려워지고 픽셀 이동에 더 민감하다.
• 일부 일반화 능력이 열 떨어지더라도, PoseNet은 ICP 기반 F2F보다 더 안정적인 초기 추정치를 제공하며, 실패 사례 수가 적다(예: Ford Campus에서 261건 대비 NI 기반 F2F의 1494건), 이는 학습된 운동 사전 지식 덕분이다.
• 본 연구는 지도 품질과 초기 운동 추정치가 F2M 성공의 주요 결정 요소임을 확인하였으며, 나쁜 초기화로 인해 지도 품질 악화와 궤적 이격이 발생함을 입증하였다.
• 제안된 모듈러 프레임워크인 pyLiDAR-SLAM은 고전적 및 딥 러닝 기반 온도메트리 구성 요소의 체계적 비교 및 통합을 가능하게 하며, 공개를 통해 재현 가능한 연구를 지원한다.