LIO-SAM

Shan 2020 · 논문

한 줄 요약 — LIO-SAM은 LiDAR-관성 오도메트리를 팩터 그래프 스무딩으로 재구성하여, IMU 사전통합, 스캔 매칭, GPS, 루프 클로저가 모두 하나의 MAP 추정 문제로 들어가게 하는 동시에, 키프레임만 로컬 슬라이딩 윈도우 맵과 매칭함으로써 실시간성을 유지했다.

문제

LOAM은 데이터를 전역 복셀 맵에 저장하는데, 이는 루프 클로저 감지나 GPS 같은 절대 측정값의 통합을 어렵게 만든다; 그 IMU는 스캔을 디스큐잉하고 모션 사전 정보를 제공하는 데만 사용되며(느슨한 결합), 복셀 맵이 밀집해질수록 최적화가 저하된다. LIOM 같은 긴밀 결합 대안은 모든 측정값을 공동으로 처리하지만 실시간의 약 0.6배로만 실행된다. LIO-SAM은 두 문제를 동시에 해결한다: 팩터 그래프는 이종의 상대적/절대적 측정값을 팩터로 받아들이고, 전역이 아닌 로컬 스케일에서의 스캔 매칭이 계산량을 한정한다.

방법 및 아키텍처

로봇 상태는 $\mathbf{x} = [\,\mathbf{R}^{\top}, \mathbf{p}^{\top}, \mathbf{v}^{\top}, \mathbf{b}^{\top}\,]^{\top}$(자세, 위치, 속도, IMU 바이어스)이다. 포즈 변화가 임계값을 초과하면 새로운 상태 노드가 추가되며, 그래프는 네 가지 팩터 유형 하에서 iSAM2로 증분적으로 최적화된다:

• IMU 사전통합 팩터: 시각 $i$와 $j$ 사이에서, 원시 IMU 레이트가 상대 모션 제약으로 적분된다

  $$\Delta\mathbf{v}_{ij} = \mathbf{R}_i^{\top}(\mathbf{v}_j - \mathbf{v}_i - \mathbf{g}\Delta t_{ij}), \quad \Delta\mathbf{p}_{ij} = \mathbf{R}_i^{\top}\left(\mathbf{p}_j - \mathbf{p}_i - \mathbf{v}_i\Delta t_{ij} - \tfrac{1}{2}\mathbf{g}\Delta t_{ij}^2\right), \quad \Delta\mathbf{R}_{ij} = \mathbf{R}_i^{\top}\mathbf{R}_j.$$

  사전통합은 이중의 역할을 한다: 포인트 클라우드를 디스큐잉하고 스캔 매칭을 초기화한다; 최적화된 LiDAR 오도메트리는 다시 그래프 내의 IMU 바이어스를 추정한다.

• LiDAR 오도메트리 팩터: (로컬 거칠기 기준으로) 스캔마다 LOAM 스타일의 모서리 및 평면 특징이 추출된다. 포즈 변화가 1m 또는 10°를 넘으면 키프레임이 선택되며; 그 사이의 프레임은 버려진다. 새 키프레임은 전역 맵이 아니라 가장 최근의 $n = 25$개 서브-키프레임에서 병합된 복셀 맵(모서리 맵은 0.2m, 평면 맵은 0.4m로 다운샘플링)에 정합된다. 포인트-투-선 및 포인트-투-평면 거리, 예를 들어 모서리 특징의 경우

  $$\mathbf{d}_{e_k} = \frac{\left|(\mathbf{p}^{e}_{i+1,k}-\mathbf{p}^{e}_{i,u}) \times (\mathbf{p}^{e}_{i+1,k}-\mathbf{p}^{e}_{i,v})\right|}{\left|\mathbf{p}^{e}_{i,u}-\mathbf{p}^{e}_{i,v}\right|},$$

  가 가우스-뉴턴에 의해 $\mathbf{T}_{i+1}$에 대해 최소화된다, $\min_{\mathbf{T}_{i+1}} \{ \sum_k \mathbf{d}_{e_k} + \sum_k \mathbf{d}_{p_k} \}$, 그리고 결과 상대 변환 $\Delta\mathbf{T}_{i,i+1} = \mathbf{T}_i^{\top}\mathbf{T}_{i+1}$이 연속된 상태를 잇는 팩터가 된다.

• GPS 팩터: 절대 위치가 로컬 데카르트 좌표로 변환되며—LiDAR-관성 드리프트가 서서히 증가하므로—추정된 위치 공분산이 GPS 공분산을 초과할 때만 추가되고, 타임스탬프 정렬에는 선형 보간이 사용된다.

• 루프 클로저 팩터: 단순하지만 효과적인 유클리드 검색이 새로운 상태로부터 15m 이내의 과거 상태를 찾는다; 새 키프레임은 후보 주변의 $2m+1$개 서브-키프레임($m = 12$)에 대해 스캔 매칭된다. 저자들의 실험에서 GPS 고도 오차가 100m에 근접했기 때문에, 루프는 특히 고도 드리프트 수정에 유용한 것으로 입증되었다.

실험 결과

세 개의 플랫폼—핸드헬드 장치, Clearpath Jackal UGV, Duffy 21 전동 보트—에서 자체 수집한 다섯 개 데이터셋(Rotation, Walking, Campus, Park, Amsterdam)으로, VLP-16, MicroStrain 3DM-GX5-25 IMU, Reach M GPS를 사용하여 i7-10710U CPU(GPU 없음)에서 평가되었다:

• 종단 병진 오차 (m): Campus (1437m): LOAM 192.43, LIO-odom(GPS/루프 없음) 9.44, LIO-GPS 6.87, LIO-SAM 0.12. Park (2898m): LOAM 121.74, LIOM 34.60, LIO-GPS 2.93, LIO-SAM 0.04. Amsterdam (19,065m, 3시간 운하 크루즈): LIO-GPS(1.21)와 LIO-SAM(0.17)만이 의미 있는 결과를 낸다.
• GPS 그라운드 트루스와의 RMSE (Park): LIO-SAM 0.96m vs LOAM 47.31m, LIOM 28.96m, LIO-odom 23.96m.
• 강인성: Rotation 테스트(정지 상태에서 최대 133.7°/s)에서 LIO-SAM은 LIOM이 초기화에 실패하는 곳에서 $SO(3)$에 정밀하게 등록한다; Walking 데이터셋은 213.9°/s에 도달한다.
• 런타임: 스캔당 매핑 시간 예: Walking: LIO-SAM 58.4ms vs LOAM 253.6ms, LIOM 339.8ms; 스트레스 테스트는 최대 13배 실시간 재생에서도 올바른 동작을 보인다. LIOM은 실시간의 약 0.6배로만 실행되었다.

SLAM에서의 의미

LIO-SAM은 VINS-Mono와 OKVIS가 카메라를 위해 한 일을 LiDAR를 위해 했다: 그래프 최적화를 통한 긴밀 결합 관성 융합을 기본 아키텍처로 만들었다. 측정 소스를 팩터로서 깔끔하게 분리한 것은 확장을 용이하게 하며—LVI-SAM은 이 위에 전체 시각-관성 서브시스템을 추가한다—여전히 FAST-LIO2 같은 필터 기반 시스템이 비교되는 표준 팩터 그래프 기준선이다. 루프 클로저, GPS 융합, 그리고 즉시 사용 가능한 스무딩 백엔드가 필요할 때 사용하라.

관련 문서

• LOAM — 특징 추출 및 스캔 매칭의 토대
• LVI-SAM — LiDAR-시각-관성 융합으로의 직접 확장
• FAST-LIO2 — 경쟁하는 직접, 필터 기반 접근법
• IMU preintegration — 핵심 관성 메커니즘
• Factor graph — 백엔드 형식론