Concetti Chiave
LiPO는 P2F-ICP가 P2P-ICP보다 드리프트가 적고 매핑 정확도가 높지만, P2P-ICP가 다양한 환경과 움직임에서 더 일관된 성능을 보여준다는 것을 입증하는 LiDAR 관성 주행 거리 측정 프레임워크입니다.
Sintesi
LiPO: ICP 비교를 위한 LiDAR 관성 주행 거리 측정
본 논문에서는 서로 다른 반복 최근접 점(ICP) 지점 클라우드 정합 방법을 직접 비교할 수 있는 LiDAR 관성 주행 거리 측정(LIO) 프레임워크인 LiPO를 소개합니다. 특히, 로봇 공학 분야에서 널리 사용되는 P2P-ICP와 P2F-ICP의 장단점을 정량화하여 각 방법의 적용 환경에 대한 이해를 높이는 것을 목표로 합니다.
LiPO는 Super Odometry에서 영감을 받은 IMU 중심 LIO 접근 방식을 사용하며, P2P-ICP 모듈은 KISS-ICP, P2F 모듈은 Super Odometry의 P2F-ICP 방법을 기반으로 합니다. IMU 바이어스 추정에는 일반적인 LIO 방법에서 사용되는 요소 그래프 프레임워크를 활용합니다.
LiPO 시스템 구조
LiDAR 스캔 수신 및 버퍼 저장
IMU 측정값 수신 및 고속 주행 거리 측정 통합
스캔 시간 동안의 모든 주행 거리 측정값 수신 후, 주행 거리 측정값을 사용하여 스캔의 각 지점을 세계 좌표계로 변환
변환된 지점 클라우드를 사용하여 특징 기반 또는 P2P 방식으로 정합 수행
정합 완료 후, 스캔 당시 IMU의 포즈에 대한 가설 획득
획득한 가설을 사용하여 사전 통합된 IMU 측정값과 요소 그래프에서 융합
각 프레임과 관련된 포즈, 속도 및 IMU 바이어스에 대한 요소 그래프 최적화
매끄럽게 처리된 포즈 정보를 사용하여 스캔의 지점을 맵에 추가
주요 알고리즘
디워핑: 고속 IMU 포즈 정보를 사용하여 LiDAR 스캔의 왜곡 보정
복셀 그리드: 효율적인 최근접 이웃 검색 및 다운샘플링을 위해 복셀 그리드 활용
P2P-ICP 구현: Geman-McClure 강력 커널을 사용하여 잘못된 연관 가능성을 줄이고 큰 잔차의 영향을 최소화
P2F-ICP 구현: 평면 및 가장자리 특징을 추출하고 P2P 방식과 유사하게 정합 수행
IMU 바이어스 요소: IMU 바이어스를 브라운 운동으로 모델링하고 사전 통합 IMU 요소를 사용하여 효율성 향상
스무딩: 사전 통합 요소와 절대 포즈 요소를 결합하여 요소 그래프를 생성하고 최적화하여 매끄러운 포즈 정보 획득