[논문 리뷰] Wild-Places: A Large-Scale Dataset for Lidar Place Recognition in Unstructured Natural Environments

Joshua Knights, Kavisha Vidanapathirana외 4명|arXiv (Cornell University)|2022. 11. 23.

Remote Sensing and LiDAR Applications인용 수 10

한 줄 요약

이 논문은 14개월에 걸쳐 손으로 들고 다니는 센서를 사용해 비정형 자연 환경에서 촬영한 대규모 라이다 데이터셋인 Wild-Places를 소개한다. 이 데이터셋에는 63,000개의 왜곡되지 않은 라이다 서브맵과 6DoF 참값이 포함되어 있으며, 장기적인 장소 인식의 벤치마킹을 가능하게 하며, 특히 14개월 간격에서의 성능 저하를 드러내어, 식생 변화와 시야 변화로 인해 상태 기반 방법의 성능이 떨어지는 동적인 자연 환경에서의 과제를 강조한다.

ABSTRACT

Many existing datasets for lidar place recognition are solely representative of structured urban environments, and have recently been saturated in performance by deep learning based approaches. Natural and unstructured environments present many additional challenges for the tasks of long-term localisation but these environments are not represented in currently available datasets. To address this we introduce Wild-Places, a challenging large-scale dataset for lidar place recognition in unstructured, natural environments. Wild-Places contains eight lidar sequences collected with a handheld sensor payload over the course of fourteen months, containing a total of 63K undistorted lidar submaps along with accurate 6DoF ground truth. Our dataset contains multiple revisits both within and between sequences, allowing for both intra-sequence (i.e. loop closure detection) and inter-sequence (i.e. re-localisation) place recognition. We also benchmark several state-of-the-art approaches to demonstrate the challenges that this dataset introduces, particularly the case of long-term place recognition due to natural environments changing over time. Our dataset and code will be available at https://csiro-robotics.github.io/Wild-Places.

연구 동기 및 목표

• 비정형 자연 환경에서 장기적인 라이다 데이터셋의 부족을 해결함으로써, 장기적인 로봇 위치 추정에 필수적인 기초를 마련하고자 한다.
• 자연 지형에서 순차 내부(루프 클로징) 및 순차 간부(재위치 지정) 장소 인식 작업을 지원하는 벤치마크 데이터셋을 제공하고자 한다.
• 장기간의 시간 간격 동안 실제 환경 변화가 발생하는 상황에서 최신 라이다 장소 인식 방법의 성능을 평가하고자 한다.
• 밀도 높은 숲에서의 동적인 식생, 시야 변화, 가림 현상으로 인해 발생하는 장기적 인식 과제의 핵심 요인을 규명하고자 한다.
• 자연 환경에서의 3차원 장면 이해 및 의미적 세그멘테이션 분야의未래 연구를 위한 기반을 마련하고자 한다.

제안 방법

• 데이터셋은 호주 브리즈번의 두 개 국립공원에서 총 33km의 이동 거리 동안 손으로 들고 다니는 라이다 센서를 사용해 수집되었다.
• 각 순서는 여러 달에 걸쳐 촬영되어, 최대 14개월 간격의 장기적 재방문을 가능하게 하였다.
• 63,000개의 왜곡되지 않은 라이다 서브맵이 추출되었으며, 각 서브맵은 SLAM 시스템을 통해 정확한 6DoF 참값을 확보하였다.
• 데이터셋은 순차 내부 및 순차 간 재방문을 모두 포함하여, 루프 클로징 및 재위치 지정 작업의 평가를 지원한다.
• 표준화된 벤치마킹을 가능하게 하기 위해 훈련 및 테스트 분할을 설정하였다.
• 최신 기법들인 ScanContext, VoxelNet 및 학습 기반 접근법을 포함해, 순차 내부 및 순차 간 작업 모두에서 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 최신 라이다 장소 인식 방법들은 비정형 자연 환경에서 장기적인 재방문 상황에서 어떻게 성능을 발휘하는가?
• RQ2 계절 변화 및 환경 변화는 몇 개월 간격으로 촬영된 라이다 서브맵 간 유사성에 어떤 영향을 미치는가?
• RQ3 반대 방향에서 같은 장소를 촬영하는 역방향 재방문은 밀도 높은 숲 환경에서 기존의 장소 인식 모델에 어떤 도전을 가하는가?
• RQ4 질의 및 데이터베이스 순서 간의 시간 간격 증가가 순차 간 재위치 지정 성능에 얼마나 큰 영향을 미치는가?
• RQ5 가림 패턴과 수관의 조밀함은 자연 환경에서 라이다 기술자의 특징 표현력에 어떤 영향을 미치는가?

주요 결과

• Karawatha 현장에서 가장 높은 성능을 보인 방법도 순차 간 재위치 지정에서 상위 1위 재현율이 74.67%에 불과하여 도시 벤치마크에서 관찰되는 90% 이상의 성능과는 현저히 떨어졌다.
• 질의 및 데이터베이스 순서 간 시간 간격이 같은 날에서 14개월으로 증가함에 따라 상위 1위 재현율이 최대 45.1% 감소했으며, 특히 Venman 환경에서 두드러졌다.
• 역방향 재방문 수가 가장 많은 순서 V-03은 가장 도전적인 환경이었으며, ScanContext는 수관 가림과 뚜렷한 수직 특징의 부족으로 인해 성능이 급격히 저하되었다.
• 밀도 높은 천정 식생과 역방향 이동 중 발생하는 겹치지 않는 가림 현상은 특히 상단 시야 또는 높이 기반 인코딩에 의존하는 방법의 성능을 심각하게 떨어뜨렸다.
• 최고의 성능을 보이는 모델들조차도 장기적 인식에서 어려움을 겪었으며, 자연 환경에서 환경 변화의 동적 특성에 대한 강건성의 심각한 격차가 있음을 시사한다.
• 데이터셋은 현재의 라이다 장소 인식 모델이 잎의 성장, 계절 변화, 시간에 따른 식생 이동과 같은 점진적인 환경 변화에 대해 강건하지 않음을 드러냈다.