킹갓 Ji Zhang님께서 RSS 2014년에 발표하신 LOAM 리뷰
Mapping보다는 Odometry를 집중적으로 보자!

LOAM 개요

논문 연구팀은 odometry and mapping을 위한 실시간 method를 제안
Loop closure(LC)가 없이 low-drift & high accuracy 달성

하드웨어

2D 라이다를 부착하여 시계방향/반시계방향으로 회전
360도 스캔하는데 1초 걸림

LOAM 알고리즘 구조

Odometry는 10Hz로 동작 후 Transformation 출력
Mapping은 1Hz로 동작 후 Transformation 출력
결과적으로 각 모듈에서 나온 Transformation을 통합!

Odometry Estimation

1. Feature extraction

한 scan을 4부분의 subregion으로 분할
각 point의 곡률을 계산함

c값을 기준으로 각 subregion들을 정렬시킴!

c가 크면 Edge, 작으면 Planar라고 특징 분류

\(\therefore\) 이 특징을 기반으로 Scan matching을 수행할 거다!!
전형적인 Keypoint 기반 Scan matching, LOAM에서 Keypoint는 Edge와 Planar가 됨

1. Finding Feature Point Correspondence

매칭을 수행하려면 Correspondence를 찾아야 함
별다른 기법은 쓰이지 않고 Euclidean Distance 기반 추출!
KDTree 자료 구조를 이용해서 현재 scene과 직전 scene의 특징점[Edge/Planar]의 closest point의 거리값을 비교해서 특징점 추출!!

• Dist. at Edge feature

• Dist. at Planar feature

위의 두 개를 vectorize 해서 최적화 할거임

1. Motion estimation

라이다는 선형 움직임을 가정하고 모델링
따라서 라이다 모션의 Linear interpolation이 가능

Translation의 공식!

Rotation의 공식! using Rodrigues Formula

이를 벡터화 하면

식을 이렇게 두면 d를 minimize하는 T_k+1을 찾는 문제로 바뀐다!
따라서 f의 자코비안을 구한 다음 0으로 만들자

LM method를 이용해서 Least Square 문제 푸는게 다임

Mapping은 생략한다

Experiment

복도는 당연히 잘 되는 거고
채소들이 많은 곳도 은근 잘 되는듯…?!

IMU를 써서 Kalman Filter 돌린 연구 결과도 존재~!

Conclusion

LOAM논문은 다음과 같은 Contribution이 있음

1. Odometry 와 Mapping 모듈을 병렬적으로 나눠서 처리했다는 점. 각 10Hz, 1Hz
2. Loop closure 없이 low drift & high accuracy를 달성했다는 점

나의 의견

LOAM은 2022년 3월 현재 KITTI Odometry benchmark rand #3을 할 정도로 수준 높은 알고리즘

특징이라고 뽑아 놨지만 Edge와 Planar가 명확하게 분리돼서 추출되는건 아님.. Planar에도 많은 Edge가 추출되더라

Graph 최적화가 아닌 이상 LM Method로 많이 푸는 것 같다.. 여기서 핵심은 어떤 것을 기준으로 Data association 하느냐인듯?

이런 류의 논문들은 모두 깊게 파고들면 ICP에 기반하는 것 같다