3차원 라이다 포인트 클라우드 형상 정합을 이용한 서브맵 기반의 위치추정 기법

Abstract

자율주행 상황에서 주어진 목적지에 안전하게 이동하기 위해서는 자신의 위치를 정확하게 추정해야 한다. 일반적으로 GPS나 Wheel Encoder를 활용한 Dead Reckoning(추측항법) 알고리즘으로 위치를 추정하는 방법이 널리 쓰인다. 하지만 Wheel Encoder의 경우 오차가 지속적으로 누적되며, GPS의 경우 터널이나 실내에서는 신호를 수신하지 못하기 때문에 정확한 위치추정에 많은 제약이 있다.

본 논문에서는 3D Point Cloud(점군)와 맵 데이터 간의 정합(Point Cloud Registration)을 통해 위치를 추정한다. 정합 알고리즘은 기존 ICP[6]나 NDT[7] 보다 정확하고 실내외의 복잡한 환경에서도 정확한 정합이 가능한 G-ICP(Generalized Iterative Closest Point)[3]를 이용하는 위치추정 알고리즘을 제안한다. 또한 정합 시 맵 데이터의 대규모 점군(Point Cloud)을 계산해야 하기 때문에 연산량이 크다는 단점이 있다. 이를 보완하기 위해 서브맵 방식을 도입하여 연산량을 낮추어 정합 속도를 개선하는 방법을 제안한다.

제안된 방법은 실차 실험 데이터인 KITTI 데이터 셋[4-5]의 2011_09_30_drive_0028 데이터를 이용하여 검증한다. G-ICP 위치추정의 정확도는 APE(Absolute Pose Error)[9], RPE(Relative Pose Error)[9]를 이용하여 점군 정합 알고리즘인 ICP나 NDT를 사용한 위치추정 알고리즘과 비교한다. 서브맵은 G-ICP 기반의 위치추정 알고리즘에서 서브맵을 사용했을 때와 사용하지 않았을 때를 실험하여 비교한다. 실험결과 제안된 알고리즘은 ICP나 NDT 알고리즘에 비해 위치 정확도가 더 우수함을 보였고 서브맵을 사용했을 때 프로세스 속도가 빨라졌음을 확인할 수 있다.| In order to move safely to a given destination in an autonomous driving situation, one must accurately estimate one's location. In general, a method of estimating a location with a Dead Reckoning algorithm using GPS or Wheel Encoder is widely used. However, in the case of wheel encoders, errors continue to accumulate, and GPS does not receive signals in tunnels or indoors, so there are many restrictions on accurate localization.

In this paper, the location is estimated through the 3D Point Cloud and the registration between the map data. We propose a localization algorithm using G-ICP (Generalized Iterative Closest Point), which is more accurate than the existing ICP(Iterative Closest Point) or NDT(Normal Distribution Transformation) and allows accurate matching even in complex indoor and outdoor environments. Also, there is a disadvantage in that the amount of computation is large because a large-scale point cloud of map data must be calculated during registration. To compensate for this, we propose a method of improving the matching speed by lowering the amount of computation by introducing the submap method.

The proposed method is verified using the 2011_09_30_drive_0028 data of the KITTI data set, which is the actual vehicle test data. The accuracy of the G-ICP localization algorithm uses Absolute Pose Error (APE) and Relative Pose Error (RPE) and compares it with localization algorithms using ICP or NDT, which are point cloud matching algorithms. Submaps are compared by experimenting with and without submaps in the G-ICP-based localization algorithm. As a result of the experiment, the proposed algorithm showed better localization accuracy than the ICP or NDT algorithm, and it can be confirmed that the operation speed was increased when the submap was used.