This thesis explores lifelong robotic mapping using light detection and ranging (LiDAR) sensor. Lifelong mapping means long-term map management after the map creation of a single moment. A lifelong mapper this thesis proposes is a modular system that integrates an overall pipeline from multiple map creation, long-term place recognition, aligning multiple maps, change detection, to live/meta map maintenance. Such integration of each advanced module is particularly critical for autonomous vehicles in outdoor environments, where 3D changes cause a pre-built map to be out-dated are inevitable.
The first part of the thesis proposes a novel robust LiDAR-based place recognition method, named Scan Context++. Place recognition is the most core component not only for accurate robot map building to resolve robot motion drifts but also for aligning multiple disjoint sessions in a shared frame. Scan Context++ possesses multiple invariances robust to external and internal changes. The invariances make Scan Context++ effectively performs even under long-term temporal gaps (e.g., 1 year). Scan Context++ outperforms existing state-of-the-art LiDAR place recognition methods. Also, it runs in real-time on a CPU, nearly 100 Hz for open large-scale urban datasets. The experiments are extensively conducted for multiple sequences of multiple cities that include various loop candidate situations.
In the second part of the thesis, an open and modular framework for LiDAR-based lifelong mapping (LT-mapper) is proposed. To achieve lifelong map management, three subproblems sequentially to be conquered. First is accurate single-session map creation and aligning multiple single-session maps. To do so, Scan Context++, proposed in the first part, is integrated with state-of-the-art LiDAR odometry to build a complete LiDAR SLAM system. Thus, we construct the full-SLAM system and release it as an open source, named SC LiDAR SLAM and LT-SLAM for multi-session SLAM. Second, change detection between two aligned maps should be made. Change is divided into two categories, high dynamic, and low dynamic. A range image-based removing-and-reverting algorithm is proposed to deal with both types of changes. The corresponding modules will be introduced as Removert and LT-removert. The method first introduces reverting mechanism and successfully reducess the number of falsely removed static points.
In addition, LT-removert supports a function that can automatically segregate dynamic object points without human supervision by matching raw scans from the made static maps. The last subproblem is to integrate the aforementioned modules seamlessly. The integrated framework is LT-mapper with a set of readily available APIs as an open-source. Finally, an efficient (in both memoery and time cost) change management methods named LT-map is proposed.
As the last part of the thesis, the thesis is finished by analyzing the contributions and limitations of Scan Context++ and LT-mapper.
이 학위논문에서는 라이다 센서를 사용한 장기적 로봇 지도 작성에 관한 방법에 대해 탐구한다. 장기적 지도 작성은 한 순간의 지도 제작 후 장기간에 걸쳐 사전에 제작된 지도를 관리하는 데 필요한 일련의 과정을 모두 포함한다. 본 학위논문에서는 장기적 지도 제작 및 관리를 위한 모듈식 구조의 프레임워크를 제안한다. 해당 프레임워크는 장기적 장소 인식, 여러 지도 정렬, 3차원 변화 감지, 라이브/메타맵 유지 관리 등 전 과정을 포함한다. 각 모듈의 이러한 통합은 특히 3차원 변화가 불가피하며 따라서 사전 제작된 지도가 더 이상 유효하지 않을 가능성이 큰 실외 환경에서 운용되어야하는 자율 주행 차량 등에 특히 중요하다. 학위논문의 첫번째 파트에서는, 새로운 라이다 기반 장소인식 방법(Scan Context++)에 대해 제안한다. 장소인식은 로봇이 정교하게 3차원 지도를 제작하는 과정에 있어 가장 중요한 모듈이다. 이는 단순히 오도메 트리의 모션 추정 오차를 해소할 뿐아니라, 시간적으로 동떨어진 여러 세션들을 하나의 통일된 프레임으로 결합하는 데에도 쓰이게 된다. Scan Context++은 도심에서 장소인식을 어렵게 만드는 외부 및 내부요인들 에 영향을 받지 않거나 혹은 강건성을 갖추고 있다. 그러한 불변성 및 강건성으로 인해, Scan Context++ 은 기존의 라이다 센서기반 장소인식 방법에 비해 높은 성능을 보여준다. 또한 이는 CPU에서 실시간으로동작하며, 학계에 공개된 도심형 데이터셋에서 100 Hz 에 달하는 인식 속도를 달성한다. Scan Context++의 성능과 효율성에 대해 검증하기 위해 다양한 도시가 포함된 데이터셋들에서 다양한 루프폐쇄 상황이 고려된 실험들이 광범위하게 진행된다. 학위논문의 두번째 파트에서는, 라이다 센서 기반의 장기적 지도 제작 및 관리 프레임워크가 새롭게 제안된다. 이는 모듈식으로 구성되어 있으며 관련된 코드들이 모두 공개되어 누구나 자신의 환경에서 사용 할 수 있도록 구성되었다. 장기적 지도 제작 및 관리를 수행하기 위해서는 일련의 하위문제들이 차례대로 정복되어야 한다. 먼저, 첫번째로 정교한 한 시점의 지도가 제작되어야 하고, 이렇게 얻어진 서로다른 시점 들의 지도들이 정합되어야 한다. 이를 달성하기 위해 (첫번째 파트에서 제안했던) Scan Context++와 현재 존재하는 최신 오도메트리 방법을 통합한 라이다 센서 기반 로봇 지도 제작 시스템을 구축했다. SC LiDAR SLAM 및 LT-SLAM 이라 불리는 이 시스템은 역시 오픈소스로 공개되어 누구나 사용할 수 있다. 두번째 하위문제는, 정합된 두 지도 사이의 변화를 탐지하는 것이다. 이를 위해 거리 이미지 및 지우고되돌리기 기법 기반의 새로운 방법이 제안된다. 새로운 메커니즘 덕분에 잘못 검출되는 포인트의 수를 줄일 수 있다. 이 방법은 Removert 및 LT-removert 라는 이름으로 제안된다. 변화는 높은 동적 변화와 준 동적 변화로 구분될 수 있는데, LT-removert를 통해 종류의 변화를 모두 탐지할 수 있다. 또한, 이를 통해 높은 동적 포인트를 지움으로써 얻을 수 있는 정적 지도와 센서 데이터를 비교하여 동적 물체를 자동으로 분리해낼 수 있게 된다. 마지막 하위문제는 앞의 일련의 모듈들을 통합하고, 감지된 변화를 관리하는 것이다. 본 학위논문에서 최 종적으로 제안하는 프레임워크인 LT-mapper 는 앞의 하위문제들을 극복하는 모듈들을 개선하고, 통합하여 오픈소스로 제공된다. LT-mapper는 변화를 효율적으로 관리하는 하위모듈인 LT-map을 포함한다. 학위논문의 마지막 파트로써, Scan Context++과 LT-mapper의 기여점 및 한계에 대해 분석하며 학위논 문을 마친다.
