Open Source Robotics

고품질 오픈소스 로봇 프로젝트, 도구 및 소프트웨어의 엄선된 컬렉션.

Scan Matching

  • 다른 이름: scan registration, point cloud registration
  • 카테고리: State estimation & navigation › Localisation
  • 태그: lidar, localization, slam, point-clouds, registration

거리 스캔을 다른 스캔이나 지도와 정렬하는 강체 변환을 추정하는 것으로, LiDAR 주행거리계, 위치 추정, SLAM에서 원시 거리 데이터를 자세 추정으로 바꾸는 데 쓰인다.

정의

스캔 매칭(scan matching)은 LiDAR, 소나, 깊이 센서에서 얻은 새 거리 스캔을 받아, 그것을 기준, 즉 이전 스캔, 최근의 국소 지도, 또는 전역 지도와 가장 잘 정렬하는 회전과 병진을 찾는다. 그 결과로 얻은 변환은 센서가 어떻게 움직였는지 또는 어디에 있는지에 대한 측정이다. 이는 LiDAR 주행거리계(lidar odometry), 바퀴형 로봇의 지도 기반 위치 추정, 그리고 대부분의 LiDAR SLAM 시스템 프런트엔드의 핵심 연산이다. 스캔 대 스캔 매칭은 단순하지만 드리프트가 빠르게 누적된다. 스캔 대 지도 매칭은 새 스캔을 누적된 지도와 정렬하므로 드리프트가 줄고, 개별 스캔이 희소해도 추정이 덜 민감해진다.

방법의 계열은 여러 가지이다. Iterative Closest Point(ICP)와 그 점-평면 변형 및 일반화 변형 같은 점 기반 방법은 대응점 찾기와 변환 풀기를 번갈아 수행한다. Biber와 Straßer(2003)가 도입한 정규 분포 변환(NDT)은 기준을 국소 가우시안 분포들의 격자로 표현하고, 그 아래에서 새 스캔의 가능도를 최대화한다. Olson(2009)이 기술한 상관 스캔 매칭은 확률 격자에 대해 이산화된 자세 집합을 탐색하므로, 초기 추정이 나빠도 견딘다. LOAM(Zhang과 Singh, 2014)이 널리 알린 특징 기반 방법은 에지 점과 평면 점을 추출해 지도 안의 선과 평면에 매칭함으로써 계산량을 줄인다. 격자 기반 2D 매처는 Hector SLAM과 Cartographer 같은 레이저 SLAM 패키지의 핵심이기도 하다.

대부분의 스캔 매처는 국소적으로만 수렴하므로, 보통 IMU, 휠 주행거리, 또는 등속 모델에서 얻은 그럴듯한 초기 추정이 필요하다. 실패하는 상황은 예측 가능하다. 기하 구조가 일부 방향을 잘 제약하지 못하는 긴 복도, 터널, 넓은 들판, 구조물처럼 보이는 움직이는 물체, 그리고 한 번의 스윕 동안 센서가 움직일 때 생기는 운동 왜곡이 그렇다. 운동 왜곡은 IMU 데이터로 점들의 왜곡을 보정(de-skewing)하여 바로잡아야 한다. 좋은 시스템은 각 매칭의 헤시안이나 공분산을 살펴 약하게 제약된 방향을 검출하고, 결과를 다른 센서와 융합할 때 그에 맞게 가중치를 준다.

중요한 이유

거리 센서는 정확한 기하 정보를 주지만 자세를 직접 주지는 않는다. 스캔 매칭은 그 기하 정보를 운동과 위치 추정으로 바꾸는 방법이므로, 그 정확도와 실패 양상이 LiDAR 기반 내비게이션의 성능을 대부분 결정한다.

주요 응용

  • LiDAR 주행거리계와 SLAM
  • 사전 지도에 대한 창고 로봇과 서비스 로봇의 위치 추정
  • 멀리 떨어진 스캔 사이의 루프 클로저 후보 검증
  • 3D 매핑과 측량을 위한 스캔 정렬
  • 여러 LiDAR 사이의 외부 파라미터 보정

실제 사례

회전식 3D LiDAR를 단 지상 로봇에서는 각 스윕을 먼저 IMU가 측정한 회전으로 왜곡 보정한 뒤, 에지 특징점과 평면 특징점을 추출한다. IMU가 예측한 자세에서 출발해 현재 키프레임의 특징점을 과거 키프레임들로 만든 특징 지도와 매칭하고, 풀어 낸 변환은 LVI-SAM 같은 LiDAR-시각-관성 시스템에서처럼 LiDAR 주행거리 팩터로 추정기에 들어간다. 길고 특징 없는 복도에서는 매칭이 복도 축 방향의 운동을 약하게만 제약하므로, 팀은 매칭 헤시안의 고윳값을 확인하고 기하 구조가 나아질 때까지 그 방향은 IMU와 시각 측정이 맡도록 한다.

흔한 오해

  • 스캔 매칭과 ICP는 같은 것이다 — ICP는 NDT, 상관 방법, 특징 기반 방법과 나란히 있는 여러 스캔 매칭 알고리즘 중 하나이다
  • 좋은 스캔 매처는 초기 추정 없이도 작동한다 — 대부분의 방법은 국소적으로만 수렴하며 주행거리계나 IMU로부터 사전 자세가 필요하다
  • 스캔 매칭은 모든 방향을 똑같이 제약한다 — 복도, 터널, 탁 트인 지역에서는 기하 구조 때문에 일부 방향이 거의 제약되지 않을 수 있다

알아야 할 사람

  • LiDAR SLAM 및 위치 추정 엔지니어
  • 모바일 로봇 내비게이션 개발자
  • 자율 주행 차량 인식 팀
  • 측량 및 매핑 엔지니어

관련 기술

  • 정규 분포 변환(Normal Distributions Transform, NDT)
  • Generalized ICP
  • LOAM
  • Cartographer
  • Point Cloud Library(PCL)
  • KISS-ICP

관련 용어

  • Iterative Closest Point
  • LiDAR Odometry
  • LIDAR
  • Point Cloud
  • Loop Closure
  • SLAM

관련 프로젝트

  • LingBot-Map: Streaming 3D reconstruction from one camera: pose and depth for every frame, live
  • oomwoo: Open-source DIY robot vacuum: 3D-printed, ROS2 + 2D LiDAR, fully local.
  • PCL: Industry-standard C++ library for point cloud processing in robotics perception
  • Cartographer: Google's real-time 2D and 3D SLAM system for multi-platform robotics
  • Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
  • FAST-LIVO2: Fast, direct LiDAR-inertial-visual odometry from HKU-MARS, published in IEEE T-RO

동영상

  • SLAM Course - 12 - Scan-Matching in 5 Min - Cyrill Stachniss: Cyrill Stachniss

이 웹사이트는 JavaScript가 필요합니다. 오픈소스 로봇 프로젝트를 탐색하려면 JavaScript를 활성화하세요.