[论文解读] PSF-LO: Parameterized Semantic Features Based Lidar Odometry

Gui-Bin Chen, Boshen Wang+4 more|arXiv (Cornell University)|Oct 26, 2020

Remote Sensing and LiDAR Applications参考文献 32被引用 6

一句话总结

PSF-LO 提出了一种实时激光雷达里程计方法，通过使用针对道路、建筑、交通标志和杆状结构的新型参数化语义特征（PSFs），增强了几何特征匹配。通过联合利用 PSFs 和几何特征，并采用基于运动一致性和不确定性的动态-静态物体分类器，该方法在 KITTI 测试集上实现了 0.82% 的平均平移误差，精度位居语义激光雷达方法榜首。

ABSTRACT

Lidar odometry (LO) is a key technology in numerous reliable and accurate localization and mapping systems of autonomous driving. The state-of-the-art LO methods generally leverage geometric information to perform point cloud registration. Furthermore, obtaining point cloud semantic information which can describe the environment more abundantly will help for the registration. We present a novel semantic lidar odometry method based on self-designed parameterized semantic features (PSFs) to achieve low-drift ego-motion estimation for autonomous vehicle in realtime. We first use a convolutional neural network-based algorithm to obtain point-wise semantics from the input laser point cloud, and then use semantic labels to separate the road, building, traffic sign and pole-like point cloud and fit them separately to obtain corresponding PSFs. A fast PSF-based matching enable us to refine geometric features (GeFs) registration, reducing the impact of blurred submap surface on the accuracy of GeFs matching. Besides, we design an efficient method to accurately recognize and remove the dynamic objects while retaining static ones in the semantic point cloud, which are beneficial to further improve the accuracy of LO. We evaluated our method, namely PSF-LO, on the public dataset KITTI Odometry Benchmark and ranked #1 among semantic lidar methods with an average translation error of 0.82% in the test dataset at the time of writing.

研究动机与目标

• 通过将语义信息整合到几何特征匹配中，减少激光雷达里程计中的累积漂移。
• 解决子图表面噪声和动态物体干扰导致的几何特征匹配精度下降问题。
• 开发一种轻量化、实时的方法，在保留静态语义物体的同时移除动态物体，以提升位姿估计精度。
• 在标准基准测试中，实现优于现有几何和语义激光雷达里程计方法的精度。

提出的方法

• 使用卷积神经网络（RangeNet++）从原始激光雷达扫描中预测每个点的语义标签。
• 设计了四种类型的参数化语义特征（PSFs）：用于道路、建筑、交通标志和杆状物体，每种均通过几何拟合方式抽象表示其形状。
• 将基于 PSF 的匹配与几何特征（GeF）匹配相结合，以优化位姿估计并减少由噪声子图表面引起的漂移。
• 提出一种实例级分类器，利用时间上的航向一致性、速度大小和不确定性来识别动态物体，实现在保留静态物体的同时选择性地移除动态物体。
• 采用双线程架构并行处理几何与语义特征，其中 PSF 匹配仅对每帧增加约 5ms 的计算开销，以保证实时性能。
• 该方法使用稀疏地图表示，采用表面元（surfels），并通过基于半径的上采样策略将原始密集点重新插入地图，以保留细节。

实验结果

研究问题

• RQ1 参数化语义特征（PSFs）能否有效优化基于几何特征的激光雷达里程计并减少漂移？
• RQ2 基于运动的分类器能否在不依赖密集目标检测的前提下，准确区分激光点云中的动态与静态物体？
• RQ3 语义特征融合与动态物体过滤的结合是否能在不牺牲实时性能的前提下，提升标准基准（如 KITTI）上的精度？
• RQ4 PSF-LO 在精度和鲁棒性方面相较于最先进几何与语义激光雷达里程计方法表现如何？

主要发现

• PSF-LO 在 KITTI 里程计基准测试集上实现了 0.82% 的平均平移误差，位居所有语义激光雷达里程计方法首位。
• 该方法通过利用 PSFs 有效优化几何特征匹配，显著减少了漂移，优于纯几何方法（如 LOAM）和语义方法（如 SuMa++）。
• 动态物体分类器在类别不平衡条件下仍实现了 23.53% 的平均精确率，证明了其在区分运动物体方面的鲁棒性。
• 基于 PSF 的优化仅在处理流水线中增加约 5ms/帧的开销，支持在 5Hz 输入频率下实现实时运行。
• 消融实验中‘no-o’变体（即不进行分类而直接移除所有物体）的性能劣于 PSF-LO，证明了保留静态语义结构的有效性。
• PSF-LO 在实时运行条件下实现了与非实时 IMLS-SLAM（1.25s/帧）相当的性能，展示了其在精度与效率之间的良好权衡。