RGBD-SLAM-V2

Endres 2013 · 論文

一行要約 — 3Dに逆投影した視覚特徴、ビームベースの変換検証モデル、g2oによるポーズグラフ最適化、OctoMap出力を用いた完全なグラフベースRGB-D SLAMシステム(“3-D Mapping With an RGB-D Camera”, T-RO 2014)であり、TUM RGB-Dベンチマークで徹底的に評価されている。

問題

初期のRGB-D SLAM手法には、標準化されたモジュール式パイプラインと再現可能な評価が欠けていた。それに加えて、特徴ベースのRANSACとICPはいずれも信頼できる失敗検出を欠いている。インライア数が少ないというだけでは、単に重なりが小さいことを意味する場合もあれば、繰り返しのある人工的な構造(同一の椅子、壁紙)が自信満々に誤った変換を生み出す場合もある。コミュニティは、カラー特徴と密な深度を原理的なグラフバックエンドで組み合わせた頑健なオープンベースラインと、精度にとって実際に何が重要かを特定する厳密なベンチマーク駆動の特性評価を必要としていた。

手法とアーキテクチャ

システムは、フロントエンド/バックエンド/地図表現という古典的な三分構造に分かれる。

フロントエンド: 特徴と深度からのエゴモーション。 キーポイントはRGB画像から抽出され(GPUによるSIFT、SURF、またはORB; SURFの記述子は d∈R64\mathbf{d} \in \mathbb{R}^{64})、深度画像を通じて3Dに位置づけられる。マッチングにはLoweの最近傍/次近傍比テスト(ORBにはハミング距離; SIFT/SURFにはユークリッド距離、あるいはより性能の良いヘリンガー距離)を用いる。2フレーム間の相対変換はRANSACによって推定される。3組の3D-3D対応が推定値を初期化し、インライアはマハラノビス距離によって数えられ、推定値はクローズドフォームの最小二乗解を用いてインライア閾値を漸減させながら再帰的に洗練される。

環境計測モデル(EMM)。 候補となる変換を、それがどのように推定されたかとは独立に検証するため、一方のフレームの深度点を他方に投影する。各深度画素は暗黙的にビームを定義し、観測された点の自由空間はこのビームに従わなければならない。共通の表面点に対する両方の計測を、センサノイズの共分散 Σi,Σj\Sigma_i, \Sigma_j でモデル化することで、論文は以下を導出する。

p(yi∣yj)=N(yi; yj, Σij),Σij=Σi+Σjp(\mathbf{y}_i \mid \mathbf{y}_j) = \mathcal{N}(\mathbf{y}_i;\, \mathbf{y}_j,\, \Sigma_{ij}), \qquad \Sigma_{ij} = \Sigma_i + \Sigma_j

3シグマ以内の点はインライアとして数えられる。対応するビームのはるか後方に投影された点は「オクルージョン」として無視される。観測された自由空間に位置する点はアウトライアである。ある変換は、品質 q=I/(I+O)q = I/(I+O)(インライア対インライア+アウトライアの比)が閾値を超え、かつインライアが観測点の少なくとも25%を占めない限り拒否される — これは、脆弱な結合 χ3N2\chi^2_{3N} 検定の代わりとなる、頑健な点単位の仮説検定である。

ループクロージング探索。 ペアワイズマッチングの候補フレームは、(i) nn 個の直前のフレーム、(ii) 限定深さのスパニングツリーを介して直前フレームのジオデシック(グラフ)近傍からサンプリングされた kk 個のフレーム(見つかったループクロージングがさらなる探索を導く)、(iii) 大規模ループのために指定されたキーフレームからサンプリングされた ll 個のフレームを組み合わせる。

バックエンド: g2oによるポーズグラフ最適化。 情報行列 Ωij\Omega_{ij} を伴う検証済み変換 zijz_{ij} は、センサポーズ X\mathbf{X} 上のポーズグラフのエッジを形成し、以下を最小化することで最適化される。

F(X)=∑⟨i,j⟩∈Ce(xi,xj,zij)⊤ Ωij e(xi,xj,zij)F(\mathbf{X}) = \sum_{\langle i,j\rangle \in \mathcal{C}} e(\mathbf{x}_i, \mathbf{x}_j, z_{ij})^{\top}\, \Omega_{ij}\, e(\mathbf{x}_i, \mathbf{x}_j, z_{ij})

最適化後、マハラノビス距離の不一致が大きすぎるエッジは剪定される — これは、繰り返し構造からの偽ループクロージングに対する2つ目の頑健性レイヤーである。

地図: OctoMap。 最適化された軌跡は、点群を確率的オクトリー占有格子地図に投影し、自由空間と未知空間を明示的に表現する(テストシーケンスの2cm解像度地図はわずか4.2〜25MB)。これは、生の点群とは異なり、ナビゲーションにそのまま利用できる。

実験結果

ATEを用いてTUM RGB-Dベンチマーク(著者らが共同で作成)で評価: ATERMSE=1n∑i∥trans(x^i)−trans(xi)∥2\mathrm{ATE}_{\mathrm{RMSE}} = \sqrt{\tfrac{1}{n}\sum_i \|\mathrm{trans}(\hat{\mathbf{x}}_i) - \mathrm{trans}(\mathbf{x}_i)\|^2}。代表的な数値(Intel i7 3.4GHz + GTX 570): fr1/deskで0.026mのATE RMSE(15.2Hz)、fr1/roomで0.087m、fr2/deskで0.057m、fr2/large_no_loopで0.86m、229mのMIT Stata Centerシーケンスで1.65m — fr2/large_no_loopを除くすべてで、それぞれの分野で以前に発表された最良の結果を上回った。特徴の研究: GPU-SIFTが最も精度が高く(fr1シーケンス全体でRMSEの中央値0.04m、フレームあたり約600〜700特徴で十分)、ORBとShi-Tomasi+SURFは高速な選択肢だが平均誤差約15cmであり良好な状況にのみ適する。ヘリンガー距離は実行時コストなしで一部のデータセットでマッチングを最大25.8%改善した。挑戦的な「Robot SLAM」Pioneerシーケンスでは、ジオデシック近傍サンプリングにより平均誤差が26%減少し、EMM(平均評価時間0.82ms)とエッジ剪定によって誤差が大幅に減少し、両方を使用した場合に最良の結果が得られた。システムは完全にオープンソースである。

SLAMにおける意義

RGBD-SLAM-V2は、KinectFusionに始まる密なGPUフュージョン系統とは対照的に、特徴ベースのフロントエンド+ポーズグラフバックエンドのパイプラインをRGB-D SLAMの標準ベースラインとして確立し、そのEMMは密な深度を用いた原理的で推定器に依存しない失敗検出を導入した。その影響力は、TUM RGB-Dベンチマークと、その後ほぼすべてのSLAM論文が報告するATE/RPE評価ツールを通じて、おそらくさらに大きいものとなっている。今でも完全な古典的SLAMシステムの非常に読みやすい参照実装である。

関連ノート