기술 요약: BIEVR-LIO

문제 정의

신뢰할 수 있는 LiDAR-관성 오도메트리(LIO)는 다양한 환경에서 작동하는 이동 로봇에게 매우 중요합니다. 그러나 기존의 LIO 시스템은 긴 직선 터널, 넓고 평평한 지형, 또는 개활지와 같이 기하학적으로 정보가 부족한 환경에서 정확도가 저하되거나 완전히 발산하는 문제를 겪는 경우가 많습니다. 이러한 시나리오에서는 관측된 기하 구조가 포인트 클라우드 정합(registration)을 위한 충분한 제약 조건을 제공하지 못합니다. 일부 선행 연구들은 이를 완화하기 위해 보조 센서를 활용하여 퇴보(degeneracy)를 감지하거나 LiDAR 강도(intensity)를 활용하려고 시도하지만, 이러한 접근 방식에는 한계가 있습니다. 강도 기반 방법은 조밀한 데이터를 필요로 하며 희소하거나 불규로한 스캔 패턴과는 호환되지 않으며, 퇴보 감지는 대개 정보가 없는 짧은 구간만을 처리할 수 있습니다.

저자들은 일반적으로 "정보가 없다"고 간주되는 환경들이 실제로는 엄격하게 퇴보된 상태가 아니라는 점에 주목했습니다. 즉, 이러한 환경들은 이론적으로 문제를 제약할 수 있는 미세한 기하학적 변화(예: 벽면의 홈, 트랙 베드 등)를 포함하고 있습니다. 그러나 표준 LIO 시스템은 실시간 제약 조건 하에서 이러한 미세한 구조를 포착할 만큼의 해상도를 갖춘 지도 표현 방식이 부족하거나, 중간 기하 원형(surface normals과 같은)에 의존하여 이러한 미세한 단서들을 매끄럽게 뭉개버리기 때문에 이를 활용하지 못합니다.

방법론

본 논문은 고해상도 지도 표현과 지도 기반 샘플링 전략이라는 두 가지 핵심 혁신을 통해 미세한 기하학적 변화를 활용하도록 설계된 견고한 LIO 시스템인 BIEVR-LIO를 제안합니다. 이 시스템은 포즈 추정이 오직 스캔-투-맵(scan-to-map) 정합으로부터만 도출되는 느슨한 결합(loosely-coupled) 설계를 따르며, IMU 데이터는 모션 보상 및 상태 초기화에 사용됩니다.

1. 범프 이미지 강화 복셀 표현 (Bump-Image-Enhanced Voxel Representation, BIEVR)

표면을 단순한 평면으로 근사하거나 중간 원형을 사용하는 대신, BIEVR은 각 복셀 내의 국부적인 표면 기하 구조를 **2D 지향성 높이 이미지(2D oriented height image)**로 표현합니다.

• 구조: 각 복셀에 대해, 시스템은 "이미지 평면" 역할을 할 지배적인 평면을 추정합니다.
• 데이터 저장: 관측된 점들이 이 평면으로부터 벗어난 정도를 "범프 이미지(bump image)"로서 픽셀당 편차로 저장합니다. 이는 거친 평면 모델에서 손실되는 미세한 기하학적 세부 사항(날카로운 불연속성 및 미세한 경사)을 보존합니다.
• 효율성: 지도는 $O(1)$ 평균 시간 복잡도의 룩업을 위해 공간 해시 맵(Morton code)을 사용하여 구현됩니다. 업데이트는 병렬로 수행되며, 시스템은 메모리 사용량을 제한하기 위해 최근 최소 사용(LRU) 캐시를 유지합니다.
• 정합: 정합은 샘플링된 입력 점들과 복셀 높이 이미지의 해당 픽셀 값 사이의 높이 오차를 최소화함으로써 수행됩니다. 이 접근 방식은 두 가지 Jacobian 성분을 생성합니다: 법선 방향 항(point-to-plane과 유사함)과 높이 이미지의 그래디언트로부터 유도된 두 개의 추가 항이며, 이는 평면에 평행한 방향에서의 관측 가능성을 제공합니다.

2. 지도 기반 점 샘플링 (Map-Informed Point Sampling)

고해상도 매핑의 계산 비용과 다운샘플링으로 인한 미세 특징 누락 위험을 해결하기 위해, 저자들은 이중 해상도 샘플링 전략을 제 제안합니다.

• 지표: 각 복셀의 높이 이미지를 기반으로 **평균 이미지 거리(Mean Image Distance, MID)**를 계산합니다. 높은 MID는 풍부한 기하학적 세부 사항(비평면성)을 나타내며, 낮은 MID는 평평한 표면을 나타냅니다.
• 전략:
  1. 입력 포인트 클라우드는 고해상도(0.1 m)로 다운샘플링됩니다.
  2. 시스템은 MID 점수가 가장 높은 300개의 복셀을 쿼리합니다.
  3. 이 고득점 복셀 내의 모든 점을 유지합니다.
  4. 나머지 복셀의 점들은 더 거친 해상도(0.5 m)로 다운샘플링됩니다.
• 이점: 이는 계산 자원을 정보가 풍부한 영역에 집중시켜, 균일한 고밀도 샘플링에 비해 정합에 사용되는 전체 점의 수를 줄이면서도 uninformative한 환경에서의 견고성을 향상시킵니다.

3. 상태 추정 (State Estimation)

시스템은 느슨하게 결합된 파이프라인을 채택합니다.

• IMU 통합: LiDAR 스캔의 점 단위 왜곡 보정(undistortion)과 초기 포즈 사전 정보(prior)를 제공하는 데 사용됩니다.
• 정합: 포즈는 Huber loss를 사용하는 Levenberg-Marquardt 최소화를 통해 BIEVR 맵에 대한 높이 잔차를 최소화함으로써 최적화됩니다.
• 슬라이딩 윈도우 최적화: IMU 측정값(속도, 바이어스, 중력)은 시간적 일관성을 강제하기 위해 슬라이딩 윈도우 내에서 최적화되지만, 정합 단계 동안 포즈 자체는 관성 잔차에 의해 영향을 받지 않습니다. 이는 관성 데이터가 퇴보된 환경에서 미세한 기하학적 단서를 압도하는 것을 방지합니다.

주요 기여

1. BIEVR 맵 표현: 고해 resolution의 높이 이미지(범프 이미지)를 저장하여 고해상도 기하학적 편차를 명시적으로 인코딩하는 새로운 복셀 기반 맵으로, 중간 원형 추정 없이 효율적이고 직접적인 스캔-투-맵 정합을 가능하게 합니다.
2. 지도 기반 샘플링: 맵 자체의 기하학적 복잡성(MID를 통해)을 사용하여 정보가 풍부한 영역의 점에 우선순위를 두는 이중 해상도 샘플링 기법을 통해 견고성과 계산 효율성의 균형을 맞춥니다.
3. 희소 기하 구조에서의 견고성: 고해상도 세부 사항 보존과 타겟팅된 샘플링의 결러이션을 통해, 시스템은 기본 방법론들이 발산하는 환경에서도 정확한 오도메트리를 유지할 수 있습니다.

실험 결과

저자들은 다양한 데이터셋(Newer College, ENWIDE, GEODE, MARS-LVIG, GrandTour), 센서(Ouster, Livox, Hesai), 그리고 플랫폼(핸드헬드, UGV, UAV, 사족 보행 로봇)에 대해 단일화된 파라미터 세트를 사용하여 BIEVR-LIO를 평가했습니다.

• 도전적인 환경에서의 성능: 기하학적으로 희소한 환경(예: 터널, 활주로, 평지)에서 BIEVR-LIO는 최첨단(state-of-the-art) 성능을 달s했습니다. 이는 ENWIDE 및 GEODE 데이터셋의 모든 시퀀스에서 안정성을 유지한 유일한 기하학 전용(geometry-only) 방법이었으며, FAST-LIO2, iG-LIO, DLIO를 포함한 많은 베이스라인 모델들은 발산하거나 심각한 드리프트를 보였습니다.
• 구조화된 환경에서의 성능: 잘 구속된 장면(예: Newer College)에서 BVEIR-LIO는 기존 방법들과 대등하거나 더 우수한 정확도를 달성했습니다.
• 절제 연구(Ablation Studies):
  • 추가적인 Jacobian 방향을 제거하면(point-to-plane에만 의존) 모호한 환경(Shield1)에서 성능이 크게 저하되었으며, 이는 그래디언트 기반 정합의 중요성을 확인시켜 줍니다.
  • 제안된 지도 기반 샘플링(ID)은 무작위 이중 해상도 샘플링(RD) 및 고정 고해상도 샘플링(HR)보다 우수한 성능을 보였으며, 정확도를 유지하면서 정합 점의 수를 약 4배 줄이고 실행 시간을 단축했습니다.
• 다운스트림 응용: 시스템은 사족 보행 로봇의 발걸음 계획(footstep planning)에 사용되는 고도 맵(elevation map)을 성공적으로 생성하였으며, 이는 BIEVR이 포착한 미세한 기하 구조가 보행 작업에 적합함을 입증합니다.

의의 및 주장

본 논문은 BIEVR-LIO가 LIO의 근본적인 한계인 "정보가 없는" 환경에서 미세한 기하학적 변화를 활용하지 못하는 문제를 해결한다고 주장합니다. 거친 평면 근사에서 고해상도 복셀 기반 높이 이미지로 전환함으로써, 시스템은 이전에 무시되었던 제약 조건들을 추출해 냅니다.

저자들은 이 방법이 LiDAR 강도에 의존하지 않고(따라서 희소 센서와도 호환됨) 보조 오도메트리 소스 없이도 최첨단 수준의 견고성을 달성한다는 점을 강조합니다. 다양한 센서와 환경 전반에 걸쳐 단일 파라미터 세트를 사용한다는 점은 이 방법의 일반화 능력을 부각합니다. 또한, 고충실도 매핑과 실시간 오도메트리가 서로 배타적이지 않음을 보여주며, 동일한 맵 표현이 최소한의 추가 계산 오버헤드로 위치 추정과 보행 계획과 같은 다운스트림 작업을 모두 지원할 수 있음을 입증했습니다.

저자들은 한계점도 인정했는데, 시스템이 높이 이미지를 채우기 위해 충분한 포인트 밀도가 필요하며 비교적 정확한 초기 포즈에 의존한다는 점을 언급했습니다. 또한 이 방법이 퇴보를 완화하지만 이를 명시적으로 감지하지는 않으며, 현재는 LiDAR 강도를 활용하지 않아 엄격히 퇴보된 시나리오에서 도움이 될 수 있다는 점도 언급했습니다. 향후 연구는 운영 범위를 더욱 확장하기 위해 강도 정보를 통합하는 것을 목표로 합니다.