Evaluating and Improving the Robustness of LiDAR Odometry and Localization Under Real-World Corruptions

Título: Evaluación y Mejora de la Robustez de la Odometría y Localización LiDAR bajo Corrupciones del Mundo Real

1. El Problema

La estimación de pose (odometría y localización) basada en LiDAR es fundamental para la conducción autónoma y la robótica. Aunque los sistemas más avanzados (SOTA) logran alta precisión con nubes de puntos limpias, su robustez ante datos corruptos en escenarios reales está poco explorada.

• Vulnerabilidades: Los datos de LiDAR sufren alteraciones debido a condiciones adversas (lluvia, nieve, niebla), ruido de sensores, polvo, superficies reflectantes y oclusiones.
• Brecha de investigación: Estudios anteriores se han centrado en ataques adversarios específicos o en la detección de obstáculos, pero no existe una evaluación sistemática y comprehensiva de cómo una amplia gama de corrupciones afecta a los sistemas de odometría y localización, especialmente a los métodos basados en aprendizaje profundo, que suelen ser más sensibles a la calidad de los datos.
• Consecuencia: Sin mitigación, los errores de posición en la odometría pueden escalar drásticamente, poniendo en riesgo la seguridad del sistema.

2. Metodología

Los autores proponen un marco unificado llamado RobustLOL y dos estrategias de defensa complementarias.

• A. Marco de Evaluación (RobustLOL):

  • Se evalúan 18 tipos de corrupciones sintéticas realistas divididas en tres categorías:
    1. Clima (5): Lluvia, nieve, niebla, y combinaciones con suelo mojado (que genera reflexiones).
    2. Ruido (8): Ruido de fondo, y ruido (Gaussiano, uniforme, de impulso) aplicado tanto en el Sistema de Coordenadas Cartesianas (CCS) como en el Sistema de Coordenadas Esféricas (SCS).
    3. Densidad (5): Aumento/disminución de densidad local, recorte (cutout), eliminación de haces y eliminación de capas.
  • Sistemas Evaluados: Se probaron 4 sistemas de odometría (MULLS, KISS-ICP, DeLORA, NeRF-LOAM) y 1 sistema de localización (LocNDF) utilizando los conjuntos de datos KITTI y Apollo South-Bay.
  • Métrica: Error de pose relativa traslacional (RPEtrans).

• B. Estrategias de Mejora:

  1. Pipeline de Detección y Filtrado (Para todos los sistemas):
     • Detección: Se convierte la nube de puntos 3D en una imagen de rango 2D (64x1024). Una red neuronal convolucional (CNN) ligera clasifica el tipo de corrupción.
     • Filtrado: Basado en la clasificación, se aplica un filtro específico. Para el ruido, se utiliza un filtro bilateral para restaurar la calidad de la nube de puntos antes de la estimación de pose.
  2. Ajuste Fino (Fine-Tuning) (Para sistemas basados en aprendizaje):
     • Se aumenta el conjunto de datos de entrenamiento con las corrupciones identificadas como más perjudiciales.
     • Se realiza un fine-tuning de los modelos preentrenados (ej. DeLORA) sobre estos datos aumentados para que aprendan características invariantes a las corrupciones.

3. Contribuciones Clave

1. RobustLOL: El primer benchmark comprehensivo que evalúa la robustez de la odometría y localización LiDAR frente a 18 corrupciones sintéticas realistas.
2. Pipeline de Detección-Filtrado: Un método ligero y agnóstico al algoritmo que clasifica la corrupción y restaura la nube de puntos, demostrando eficacia contra el ruido.
3. Estrategias de Mitigación: Validación experimental de que el fine-tuning con datos corruptos mejora significativamente la robustez de los sistemas de aprendizaje, incluso superando el rendimiento en datos limpios en ciertos casos.
4. Reproducibilidad: Liberación pública del código y los datos para facilitar la investigación futura.

4. Resultados Principales

• Fragilidad de los Sistemas SOTA:

  • Los sistemas de odometría muestran una sensibilidad extrema a ciertas corrupciones. Los errores de posición aumentaron desde un 0.5% en datos limpios hasta más del 80% bajo ciertas corrupciones.
  • Sistemas Clásicos: MULLS fue muy sensible a la disminución de densidad local; KISS-ICP colapsó con ruido de fondo (error >80%).
  • Sistemas de Aprendizaje: DeLORA y NeRF-LOAM fueron más sensibles a la mayoría de las corrupciones geométricas, aunque mostraron cierta resistencia a ciertos tipos de ruido debido a su proyección 2D (que filtra puntos redundantes).
  • Localización: El sistema de localización (LocNDF) demostró una robustez notable, manteniendo un rendimiento alto bajo todas las corrupciones probadas.

• Eficacia de las Soluciones Propuestas:

  • Detección-Filtrado: El clasificador CNN alcanzó una precisión promedio del 95.54%. Al aplicar el filtro bilateral a los datos ruidosos, los errores de odometría (especialmente en KISS-ICP) se restauraron casi a los niveles de los datos limpios.
  • Fine-Tuning: El ajuste fino de DeLORA con datos aumentados redujo los errores en hasta un 35.79% en todos los tipos de corrupción, acercando el rendimiento al de los datos limpios. Curiosamente, esto también mejoró ligeramente el rendimiento en datos limpios en la secuencia KITTI 09.

5. Significado e Impacto

Este trabajo es fundamental porque:

• Expone vulnerabilidades críticas: Demuestra que los sistemas actuales no son lo suficientemente robustos para operar de forma segura en entornos reales sin preprocesamiento o adaptación.
• Ofrece soluciones prácticas: Proporciona estrategias viables (filtrado ligero y fine-tuning) que pueden integrarse en sistemas existentes para mejorar la seguridad de la conducción autónoma.
• Establece un nuevo estándar: RobustLOL sirve como una referencia necesaria para futuras investigaciones, moviendo el foco de la precisión en condiciones ideales a la fiabilidad en condiciones adversas.
• Diferencia entre Odometría y Localización: Destaca que, mientras la odometría es altamente vulnerable, la localización (con mapas previos) puede ser inherentemente más robusta, lo que sugiere direcciones para el diseño de sistemas híbridos.