Robust LiDAR-Wheel Odometry and Offset-Aware Neural Implicit Map Reconstruction for Urban Autonomous Buses = 도심 환경 자율주행 버스를 위한 라이다-휠속 기반 강건한 위치 추정 및 오프셋 반영 암시적 신경망 지도 재구성

다국어 초록 (Multilingual Abstract)

Simultaneous localization and mapping (SLAM) algorithms have been widely studied for precise pose estimation and mapping in autonomous vehicles. However, most research has focused on small-scale platforms such as ground vehicles and UAVs, leaving a gap in studies on large autonomous vehicles. To address this gap, this paper presents an enhanced LiDAR-based odometry estimation method designed for autonomous buses in urban environments. While LiDAR-inertial odometry (LIO) methods utilizing IMU sensors are commonly used to improve accuracy, IMU dependency is impractical for large vehicles as IMU measurements are easily affected by external factors. Instead, this study leverages vehicle kinematics and wheel speed to estimate velocity and yaw rate, resulting in improved robustness and accuracy compared to traditional LiDAR odometry methods. Following the odometry estimation, this thesis proposes smoothed neural implicit 3D reconstruction for a large-scale LiDAR map against multi-LiDAR calibration errors in autonomous buses. Recent advances in neural implicit representations offer several advantages over traditional explicit mapping approaches by training neural networks to fit scene observations, allowing for efficient querying of various properties at any location within the scene. These memory-efficient implicit neural maps provide rich map information. However, multi-LiDAR systems are essential for large-scale autonomous platforms but introduce extrinsic calibration challenges due to sensor spacing and self-occlusions. Traditional calibration methods relying on overlapping fields of view or rigid mounts are impractical, leading to calibration errors that cause undesirable thickness in the LiDAR point cloud. This degrades neural implicit mapping and mesh reconstruction, yet research on handling calibration-induced offsets in multi-LiDAR systems remains limited. To address the challenges, this thesis proposes a novel method combining offset correction and neural implicit reconstruction. The study presents results based on actual vehicle data collected on urban tracks and simulation dataset. Experimental results demonstrate that the proposed method effectively mitigates pose estimation errors observed in conventional LIO methods. In addition, by integrating an offset correction process with SDF-based neural implicit map learning, our approach mitigates mesh errors caused by multi-LiDAR calibration inaccuracies while improving reconstruction accuracy.

국문 초록 (Abstract)

자율주행 차량의 정확한 자세 추정 및 지도 생성을 위해 동시적 위치 추정 및 지도 작성 기법이 활발히 연구되고 있다. 그러나 대부분의 연구는 소형 지상 차량 및 무인 항공기와 같은 플랫폼을 대상으로 이루어졌으며, 대형 자율주행 차량을 위한 연구는 상대적으로 미비하다. 이를 위해 본 연구에서는 도심 환경에서 운행되는 자율주행 버스를 위한 향상된 라이다 기반 오도메트리 추정 기법을 제안한다. 일반적으로 라이다와 관성 측정 센서를 결합한 오도메트리(LIO) 추정 방법은 위치 추정의 정확도를 향상시키지만, 대형 차량에서는 관성 측정 센서가 외부 환경 변화에 민감하여 신뢰성이 떨어지는 문제가 있다. 따라서 본 연구에서는 차량 기구학 모델과 휠 속도 센서를 활용하여 선속도 및 회전속도를 추정함으로써 LIO보다 강건하고 정확한 위치 추정이 가능하도록 하였다.

오도메트리 추정 이후, 본 연구에서는 다중 라이다 캘리브레이션 오류로 발생하는 대규모 지도 재구성 오류를 보정하기 위해, 오프셋을 고려한 신경망 기반 3D 지도 형성 기법을 제안한다. 최근 신경망을 활용한 암시적 지도 재구성 기법이 발전함에 따라, 기존의 명시적 지도 표현 방식에 비해 여러 가지 이점을 제공하는 것으로 입증되었다. 해당 방식은 특정 위치에서 다양한 환경 정보를 효율적으로 탐색할 수 있도록 하며, 메모리를 효율적으로 활용하면서도 정밀한 환경 정보를 제공할 수 있는 지도 표현을 가능하게 한다.

그러나 대형 자율주행 차량에서는 다중 라이다 시스템이 필수적이나, 센서 간 거리와 차체 크기로 인해 정확한 캘리브레이션을 수행하는 데 어려움이 있다. 기존의 캘리브레이션 방식은 센서 간 인지 범위가 중첩되는 영역을 활용하거나 정밀하게 설계된 강체 구조물을 이용하여 고정하는 방법이 있지만, 대형 차량에서는 적용이 어렵고 캘리브레이션 오류로 인해 지도 생성 과정에서 불필요한 두께가 발생하는 문제가 있다. 이는 신경망 기반 지도 작성 및 지형 재구성의 성능 저하를 초래하지만, 다중 라이다 센서 환경에서 캘리브레이션 오류로 인한 오프셋을 보정하는 연구는 부족하다. 해당 문제를 해결하기 위해, 본 연구에서는 오프셋 보정 기법과 신경망 기반 지도 작성 기법을 결합한 새로운 방법을 제안한다.

본 연구에서는 도심 도로에서 수집한 실차 데이터 및 시뮬레이션 데이터를 바탕으로 실험을 수행하였으며, 실험 결과를 통해 기존 방식에서 발생하는 추정 오류 및 위치 이동 오차를 효과적으로 완화할 수 있음을 확인하였다. 또한, 거리 함수 기반 신경망 지도 학습과 오프셋 보정 기법을 결합하여, 다중 라이다 캘리브레이션 오류로 인해 발생하는 지형 왜곡을 줄이면서 지도 재구성의 정확도를 향상시켰다.

목차 (Table of Contents)

• Contents
• Chapter 1 Introduction 1
• 1.1 Research background and motivations 1
• 1.2 Previous research 10
• 1.2.1 Autonomous driving for large-scale vehicles 10
• 1.2.2 LiDAR odometry estimation 13
• 1.2.3 3D shape reconstruction 16
• 1.2.4 Shape denoising 21
• 1.3 Thesis objectives 23
• 1.4 Thesis outline 28
• Chapter 2 Robust LiDAR-Wheel Odometry Estimation 29
• 2.1 Multi-LiDAR integration 31
• 2.2 Definition and prediction of velocity state 34
• 2.3 Ackermann model measurement update 37
• 2.4 Pose state prediction 41
• 2.5 LiDAR residual computation for pose optimization 43
• Chapter 3 Offset-Aware Implicit Map Reconstruction 49
• 3.1 Octree and hierarchical feature 51
• 3.2 Unsupervised loss functions for offset correction 54
• 3.3 Segmented frame sampling 60
• 3.4 Training SDF for reconstruction 64
• Chapter 4 Performance Validation 66
• 4.1 Experiment setup 66
• 4.1.1 Setup for actual vehicle experiment 68
• 4.1.2 Setup for simulated dataset 72
• 4.1.3 Baseline setup for neural implicit reconstruction 73
• 4.2 Results for vehicle odometry estimation 75
• 4.2.1 Main results for the full set of trajectories 76
• 4.2.2 Comparison with a passenger car 81
• 4.2.3 Evaluation across different driving maneuvers 84
• 4.3 Results for offset-aware neural implicit reconstruction 87
• 4.3.1 Extrinsic calibration errors in map-to-map LiDAR alignment 88
• 4.3.2 Main results compared to baseline algorithms 89
• 4.3.3 Ablation studies 96
• 4.3.3.1 Hierarchical latent feature for offset correction 96
• 4.3.3.2 Segmented frame sampling 98
• 4.3.4 Odometry-induced offset correction 99
• Chapter 5 Conclusion 102
• Appendix A IMU Measurement Evaluation 104
• Bibliography 108
• Abstract In Korean 123