LIO-SAM 논문 리뷰

LIO-SAM: Factor Graph 기반 LiDAR-IMU 융합 프레임워크 정리

 

최근 로봇의 자율주행 및 정밀한 위치 추정을 위해 다중 센서 융합이 활발히 연구되고 있습니다. 그중에서도 LiDAR-IMU 융합은 조명 변화나 시각적 특성에 크게 의존하지 않고, 안정적인 3D 환경 이해와 궤적 추정을 가능하게 해 주어 많은 주목을 받고 있습니다. 이번 글에서는 대표적인 LiDAR-IMU 융합 프레임워크인 LIO-SAM (LiDAR-Inertial Odometry via Smoothing and Mapping) 논문을 정리해 보았습니다.

---

1. 연구 배경

• 비전 기반 방법: 장소 인식에는 강점이 있지만 조명 변화와 관측 거리 변화에 취약.
• LiDAR 기반 방법: 환경의 기하학적 구조를 안정적으로 반영 가능.
• 기존 연구의 한계
  • LOAM: 낮은 드리프트와 루프 클로저 탐지가 가능하지만,
    • 전역 맵 기반이라 루프 클로저 발생 시 이전 위치를 수정하기 어려움
    • GPS 통합에도 제약
    • 매번 스캔 매칭 수행 → 누적 드리프트 발생
  • LeGO-LOAM: UGV 환경에 맞게 단순화, 하지만 IMU 최적화를 고려하지 않음.
  • LIOM: tightly-coupled 구조지만 모든 센서 데이터를 처리해야 해서 실시간성이 떨어짐.

---

2. LIO-SAM의 핵심 아이디어

LIO-SAM은 tightly-coupled 방식으로 LiDAR와 IMU를 팩터 그래프 내에서 공동 최적화합니다.

• IMU Pre-integration: LiDAR 스캔 중 발생하는 움직임을 추정하여 포인트 클라우드 왜곡 제거 및 초기 추정값 제공.
• LiDAR Odometry 결과: IMU 바이어스 추정에 활용.
• Factor Graph 최적화: IMU, LiDAR, GPS, 루프 클로저 팩터를 동시에 고려.
• 실시간성 확보: 오래된 스캔은 마진화(marginalization)하고, 선택적 keyframe + sliding window 방식으로 계산량을 제어.

---

3. 시스템 개요

LIO-SAM의 상태 벡터는

으로, **자세(R), 위치(p), 속도(v), IMU 바이어스(b)**를 포함합니다.

최적화는 MAP(Maximum a Posteriori) 추정으로 정식화되며, 노이즈를 가우시안으로 가정하여 비선형 최소제곱 문제로 변환됩니다.

팩터 그래프 구성 요소

• IMU 사전적분 팩터
• LiDAR 오도메트리 팩터
• GPS 팩터
• 루프 클로저 팩터

최적화는 iSAM2 기반 점진적 스무딩으로 실시간에 가깝게 수행됩니다.

---

4. 주요 구성 요소

A. IMU 사전적분 (Pre-integration Factor)

• 가속도·각속도 데이터를 적분해 상대적인 바디 움직임 추정.
• 사전적분 방식을 사용하여 계산 효율성 확보.
• LiDAR Odometry 팩터와 함께 IMU 바이어스를 공동 최적화.

---

B. LiDAR Odometry Factor

1. 특징 추출:
   • roughness 큰 점 → edge 특징
   • roughness 작은 점 → plane 특징
2. Keyframe 선택:
   • 위치 변화 1m 이상 or 회전 변화 10° 이상일 때 등록.
   • 최근 n개의 keyframe만 유지 (sliding window).
3. Scan Matching:
   • 새 프레임을 기존 sub-keyframe map에 정합.
   • 초기 추정은 IMU 예측값 사용.
   • 최적화로 두 포즈 간 상대 변환 ΔT 추정 → LiDAR odometry factor로 연결.

---

C. GPS Factor

• 장시간 내비게이션에서 드리프트를 줄이기 위해 절대 위치 센서 사용.
• GPS 데이터를 로컬 좌표계로 변환하여 factor graph에 추가.
• 공분산 비교를 통해 신뢰성 있는 경우에만 GPS 팩터 반영.

---

D. Loop Closure Factor

• 새 keyframe이 추가될 때 과거 keyframe과의 유클리드 거리 기반으로 후보 탐색.
• Scan matching 후 상대 변환을 loop closure factor로 추가.
• 시간적으로 멀리 떨어져 있지만 공간적으로 가까운 경우 효과적.

---

5. LIO-SAM의 특징 및 기여

• Tightly-coupled LIDAR-IMU fusion: IMU 바이어스까지 고려한 정밀한 최적화.
• Factor Graph 기반 전역 최적화: LiDAR, IMU, GPS, 루프 클로저 동시 고려.
• Sliding Window: 실시간성을 보장하며 오래된 스캔은 마진화.
• 다양한 환경에서 검증: 실내/실외, 대규모 공간에서 모두 효과적.