CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure

저자: Pierre Dellenbach, Jean-Emmanuel Deschaud, Bastien Jacquet, François Goulette · ICRA 2022

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

스캔마다 시작 자세와 끝 자세를 두고 스캔 사이의 도약을 허용하는 스캔-지도 ICP에 고도 이미지 기반 루프 클로저를 더했다. KITTI 리더보드에서 RTE 0.59%, 스캔당 60 ms.

중요한 이유

이 방법은 점 좌표와 점별 타임스탬프만 필요하며, 차량 탑재, Segway 탑재, 휴대형 LiDAR를 하나의 프레임워크 안에서 처리한다. 주행 프로파일 오도메트리는 단일 CPU 스레드에서 스캔당 60-80 ms로 실행되며, 전체 SLAM은 LiDAR 데이터만 사용한다.

문제

회전하는 멀티빔 LiDAR는 움직이는 동안 각 스캔을 기록하므로, 점들을 센서 움직임에 맞게 보정해야 한다. 대부분의 오도메트리 방법은 등속 모델로 스캔을 한 번 디스큐잉하는데, 이는 갑작스러운 방향 또는 가속도 변화에서 실패한다. 한편 매끄러운 궤적을 쓰는 연속 시간 방법은 실제 플랫폼의 고주파로 흔들리는 움직임을 따라가지 못한다.

제안 방법

CT-ICP는 각 스캔을 시작 자세와 끝 자세로 기술하고, 각 점의 타임스탬프로부터 자세를 보간하며(회전은 slerp, 병진은 선형), 시작 자세를 이전 끝 자세 가까이에 두고 가속도를 제한하는 약한 구속 조건과 함께 점-평면 스캔-지도 ICP를 푼다. 로컬 지도는 희소 복셀 격자 안의 조밀한 포인트 클라우드이며(복셀당 최대 20점), 루프 클로저 모듈은 집계된 로컬 지도의 고도 이미지에서 2D 특징을 매칭하고, ICP로 매칭을 정제한 뒤 g2o 포즈 그래프를 최적화한다.

핵심 통찰

스캔의 시작 자세가 이전 스캔의 끝 자세와 달라도 되게 하면, 매끄러운 연속 시간 궤적으로는 표현할 수 없는 고주파 움직임을 흡수할 수 있다.
스캔 내 탄성 왜곡은 원시 데이터에서 중요하다. 이를 등속 디스큐잉으로 바꾸면 RTE가 KITTI-raw에서 0.55%에서 0.79%로, KITTI-360에서 0.45%에서 0.60%로 오른다.
법선과 평면성 가중치는 현재 스캔이 아니라 조밀한 로컬 지도에서 계산되어, 점-평면 잔차에 더 풍부한 이웃을 제공한다.
희소 복셀 지도는 kd-트리의 로그 시간 접근 대신 상수 시간 이웃 접근을 제공하여, 조밀한 지도를 실시간으로 사용할 수 있게 한다.
움직임이 보정된 KITTI 스캔에서는 비교한 모든 방법이 비슷하며, 차이는 보정되지 않은 원시 스캔에서 나타난다.

주요 결과

KITTI 오도메트리 리더보드(테스트 시퀀스 11-21): RTE 0.59%, 당시 공개 코드가 있는 방법 중 1위.
정답이 있는 시퀀스의 평균 RTE: 움직임 보정된 KITTI에서 0.53%(60 ms/스캔), KITTI-raw에서 0.55%(65 ms), KITTI-360에서 0.45%(70 ms). IMLS-SLAM, MULLS, pyLiDAR F2M은 KITTI-raw에서 0.71-1.61%, KITTI-360에서 0.68-1.55%이다.
KITTI-CARLA(시뮬레이션): RTE 0.09%로, 다른 오도메트리 중 최고인 0.81%보다 낮다. ParisLuco: 1.11%로 IMLS-SLAM의 1.26%보다 낮다.
고주파 움직임 프로파일: Newer College에서 RTE 0.55%(pyLiDAR F2M 2.20%), NCLT 2012-01-08에서 1.17%(pyLiDAR F2M 19.80%)이며, 스캔당 430 ms와 180 ms가 걸린다.
루프 클로저는 ATE를 KITTI-raw 00에서 6.22 m에서 0.66 m로, KITTI-360 00에서 29.87 m에서 1.07 m로, ParisLuco에서 29.16 m에서 9.65 m로 낮춘다. KITTI-CARLA Town01에서는 0.2 m 근처에 머문다(0.21 m에서 0.26 m).
고도 격자 하나를 만들고 매칭하는 데 평균 1.1 s가 걸리며, 루프가 발견되면 포즈 그래프 최적화에 1.2 s가 추가된다.

한계

루프 클로저는 센서 움직임이 대체로 평면적이고 외부 캘리브레이션이 z축을 지면 법선에 정렬할 것을 요구하므로, 지원되는 센서 구성과 움직임이 제한된다.
루프 클로저는 메인 스레드에서 실행되므로(고도 격자당 1.1 s와 포즈 그래프 최적화당 1.2 s), 전체 SLAM은 아직 실시간이 아니다. 저자들은 별도 스레드를 쓰면 실시간이 될 것이라고 밝힌다.
로컬 지도는 슬라이딩 윈도우 방식으로 점을 잊지 않으므로 잘못된 정합이 지도를 오염시킨다. 이를 막는 강인 프로파일은 실행 시간을 늘린다(Newer College에서 스캔당 430 ms, NCLT에서 180 ms).
모든 실험에 사용된 Gauss-Newton 솔버는 손으로 계산한 야코비안을 사용하므로 구속 조건을 바꿀 수 없다. 더 유연한 Ceres 옵션은 실시간 사용을 위해 여러 스레드가 필요하다.
루프 클로저 후보 수(10)는 예상 드리프트에 맞게 조정해야 하며, KITTI-CARLA에서는 루프 클로저 후 ATE가 개선되지 않았다.

분야에 미친 영향

ICRA 2022 Outstanding Paper 최종 후보이며, 인용 수는 301회이다. 논문은 CT-ICP 오도메트리를 C++로 공개하며(github.com/jedeschaud/ct_icp), 이를 공개되고 허용적인 오픈 소스 코드라고 설명한다. 루프 검출과 포즈 그래프 백엔드는 pyLiDAR-SLAM(github.com/Kitware/pyLiDAR-SLAM)에 넣었고, 사용한 데이터셋을 논문이 설명하는 형태로 온라인에 공개한다.

초록

멀티빔 LiDAR 센서는 로봇 공학에서, 특히 자율 주행 차량의 위치 추정과 인식 작업에 점점 더 많이 사용되며, 두 작업 모두 환경의 정밀한 지도를 구축하는 능력에 의존한다. 이를 위해 우리는 CT-ICP(Continuous-Time ICP)라는 새로운 실시간 LiDAR 전용 오도메트리 방법을 제안하며, 새로운 루프 검출 절차를 더해 완전한 SLAM으로 완성한다. 이 방법의 핵심은 스캔 매칭 내의 연속성과 스캔 사이의 불연속성을 결합하여 도입한 것이다. 이를 통해 정합 중 스캔의 탄성 왜곡을 허용하여 정밀도를 높이는 동시에, 불연속성 덕분에 고주파 움직임에 대한 강인성도 높인다.

우리는 이 오도메트리 위에 완전한 SLAM을 구축하며, 고도 이미지 2D 매칭에 기반한 빠른 순수 LiDAR 루프 검출을 사용해 루프 구속을 갖는 포즈 그래프를 제공한다. 방법의 강인성을 보이기 위해 주행 및 고주파 움직임 시나리오에서 KITTI, KITTI-raw, KITTI-360, KITTI-CARLA, ParisLuco, Newer College, NCLT의 일곱 개 데이터셋으로 시험했다. CT-ICP 오도메트리와 루프 검출은 모두 온라인으로 공개되어 있다. CT-ICP는 현재 KITTI 오도메트리 리더보드에서 공개 코드를 제공하는 방법 중 1위이며, 평균 상대 병진 오차(Relative Translation Error, RTE)는 0.59%, 단일 스레드 CPU에서 스캔당 평균 시간은 60ms이다.

링크

arXiv 2109.12979: https://arxiv.org/abs/2109.12979
DOI 10.48550/arXiv.2109.12979: https://doi.org/10.48550/arXiv.2109.12979
PDF: https://arxiv.org/pdf/2109.12979v1
코드: https://github.com/jedeschaud/ct_icp