이 논문은 제가 하고 있는 연구와 약간 관련이 있는 것 같아서 읽어보았습니다.
introduction
이 논문은 자동차가 localization을 할 때 pole 모양의 feature를 활용하겠다는 논문입니다.
도시 환경에서 pole 모양의 feature는 큰 단서가 되기 때문에 이것을 탐지한다면 landmark를 정의하기에
굉장히 유용하다는 것을 활용합니다.
lidar를 이용하여 localization을 할 경우 scan을 두가지 방법으로 활용을 할 수 있습니다.
- raw scan을 모두 활용하는 경우
- scan의 point를 활용해 feature를 만들어 활용하는 경우
이 논문에서는 1번의 경우의 문제점을 3가지 소개합니다.
- 모든 scan을 사용할 때 드는 저장공간이 많이 든다!
- 모든 scan point에서 많은 point가 의미 없는 point이다.
- 움직이는 물체가 있기 때문에 모든 point를 사용하면 오류가 발생할 수 있다.
이 3가지 이유로 이 논문은 feature 특히 pole-like feature를 활용하려고 합니다.
Pole-like feature map generation
Feature Map Generation
Pole-like feature는 global position에 만들어집니다.
만들어지는 과정에도 feature extraction과 estimation of feature' position 2가지가 있습니다.
Pole-like Feature Extraction
이 논문은 도시 환경을 타겟팅하기 때문에 가로등, 가로수, 신호등 같은 기둥 형태의 feature를 사용하려고 합니다. 그렇다면 이러한 형태의 feature는 어떻게 나타내나! 이것이 제일 궁금하겠죠
-
먼저 입력 데이터들의 전처리를 거칩니다. 10m이상에 위치한 point cloud와 도로 point들을 제거하는 과정을 거칩니다.
-
point cloud들을 격자 grid 형태로 전환을 합니다. 그 후 격자에 들어있는 point cloud 개수를 세고 이것을 저장합니다.
-
2가지 탐지기를 활용하여 pole-like feature를 탐지하게 됩니다.
-
local 탐지기: 각 3D 격자의 밀도를 계산하고, 해당 밀도가 인접한 격자의 밀도보다 특정 임계값보다 큰 경우, 이 격자를 후보 pole feature가 들어있을 수도 있는 후보 격자로 간주합니다.
(위 아래 격자이외에는 후보 격자가 없어야합니다. 길쭉한 모양을 탐지하기 위해) -
global 탐지기: 이제 위 아래 격자의 연결이 feature로 보기에 충분하다면 이것을 pole feature로 확정합니다.
-
feature Pose Estimation
- feature들의 위치는 vehicle pose를 추정한 것과 vechicle-LiDAR calibration을 통해 추정됩니다. Vehicle Pose는 IMU data와 RTK-GPS(굉장히 정확하고 비싼 GPS) 정보를 결합하여 사용합니다. motion model은 constant turn rate and velocity(CTRV)로 활용합니다.
데이터 결합에는 Cubature Kalman filter를 사용합니다.
자세한 수식도 이 논문에 정리되기는 하는데 제가 따로 정리를 하겠습니다.
간단하게 설명하자면 비선형 적분을 하기 어려워 sampling을 할 때 어떠한 처리를 통해 가우시안에서 sampling하는 효과를 주도록 만든 것입니다. - 이렇게 추정된 pose를 조금 더 세밀하게 추정하기 위해 ICP과정을 진행합니다. 원래 ICP는 초기값이 정확하지 않다면 local minima에 빠져 정확하지 않게 추정되는 단점이 있기 때문에 이 논문은
Particle filter를 사용하여 여러 입자를 생성하고 각각의 입자에 대해 ICP를 병렬적으로 진행합니다. 이렇게 Feature들의 pose를 추정하게 됩니다.
Conclusion
먼저 가장 흥미로웠던건 pole 모양의 feature를 매칭하면 더 쉽게 localization을 할 수 있다는 것이었습니다. 주변에 그런 물체가 많다보니 저것을 활용하면 더 잘 될 것 같다는 발상으로 진행하였는데 LOAM, LIO-SAM처럼 아주 국소적인 geometric 특징을 보는 것이 아니라 크게 본다는 것이 좋았습니다. 이것을 정확하게 발견하기만 한다면 좋겠지만 아직까지는 기울어진 경사에선 안되는 점이 한계가 있습니다.
