A Framework for Frequent Multi-beam Laser Scanner Self-Calibration Using Mobile Mapping System Scan Data

Abstract

LiDAR (Light Detection and Ranging) sensors provide a more efficient means to acquire accurate 3D information from large-scale environments. Over time, these sensors have become more compact, portable, and readily applicable to mobile applications such as mobile mapping, autonomous vehicle, and robotics. From the variety of LiDAR sensors, multi-beam laser scanners are particularly advantages due to their relatively cheap price and compact size compared to terrestrial laser scanners. As a result, multi-beam laser scanners are one of the most extensively applied scanners for mobile applications. Despite the efficiency of these scanners, their point cloud accuracy is relatively low to be used effectively in mobile mapping applications which require measurements at a higher level of accuracy. Moreover, multi-beam laser scanners have been reported to be unstable in their system of measurement. To overcome these limitations, various studies have performed self-calibration to reduce the 3D Root Mean Square Error (RMSE) of measurements to sub-centimeter levels. However, results from stability analysis of multi-beam laser scanners indicated that periodic recalibration is necessary to maintain a high level of accuracy. Therefore, frequent in situ calibration can be an essential step during the scanners data acquisition in order to meet the accuracy level requirements and to implement these scanners for precise mobile applications. This thesis proposes a framework consisting of frequent in situ self-calibration of a multi-beam laser scanner using scan data acquired by a Mobile Mapping System (MMS). First, plane-based self-calibration is investigated to perform rigorous calibration. Plane-based self-calibration is widely adopted in in situ calibration since planar features are one of the most common geometrical features. Second, after analyzing the functional dependence of the calibration parameters, simulated datasets with various conditions are designed to analyze the impact of the planes dimension, number of planar features, multiple scans, and network geometry in the adjustment. Third, a calibration dataset acquisition method is proposed by analyzing the experimental results. Finally, a framework for frequent in situ self-calibration is proposed and validated using both simulated and real datasets. The results demonstrated that the proposed framework for multi-beam laser scanner reduced RMSE by 57% when using the real dataset, confirming the framework can be used for indoor mapping where planar features are commonly found. In addition, this method has potential to be adopted during on-line point cloud registration by performing frequent calibration using the MMS scan data.

LiDAR (Light Detection and Ranging) 센서는 대규모 환경에 대한 정확한 3D 정보를 효율적으로 취득한다. 또한 최근 센서의 발전에 따라, LiDAR센서는 점차 소형화되며 휴대성이 증가하여 모바일 매핑, 자율주행차 등과 같은 모바일 애플리케이션에 적용될 수 있는 기회가 증대되었다. LiDAR 센서 중, 멀티빔 레이저 스캐너는 지상 레이저 스캐너에 비해 가격이 저렴하고 크기가 작다는 장점이 있어 모바일 애플리케이션에 주로 활용된다. 하지만, 멀티빔 레이저 스캐너는 요구 정확도가 높은 모바일 매핑 어플리케이션에 효과적으로 사용되기에는 상대적으로 정확도가 낮다. 또한, 멀티빔 레이저 스캐너는 관측 값에 대한 불안정성을 나타내는 것으로 연구된 바 있다. 이러한 한계를 극복하기 위해 다양한 연구에서 셀프캘리브레이션을 수행하여 3D RMSE를 센티미터 이하로 줄인 바 있으나 멀티빔 레이저 스캐너의 불안정성에 따라 높은 정확도를 유지하기 위해서는 주기적인 캘리브레이션이 필수적이라 할 수 있다. 따라서 높은 정확도를 요구하는 모바일 애플리케이션에 사용하기 위해서는 데이터 수집 중 주기적인 현장 셀프캘리브레이션이 필요하다. 본 논문에서는, MMS (Mobile Mapping System)에 의해 획득된 스캔 데이터를 사용하여 멀티빔 레이저 스캐너의 지속적이고 주기적인 현장 셀프캘리브레이션의 프레임 워크를 제안한다. 이를 위해, 먼저 평면 기반 셀프캘리브레이션의 분석을 수행하였다. 다음으로, 캘리브레이션 파라미터의 함수 종속성을 분석한 후 실험을 설계하였다. 조정 시 평면의 크기와 개수, 네트워크 지오메트리 등 다양한 조건의 시뮬레이션 실험 결과 분석을 통해 현장 셀프캘리브레이션 프레임 워크를 제안하였으며 시뮬레이션 및 실제 데이터셋을 사용하여 정확성을 검증하였다. 실험 결과, 약 57 %의 RMSE가 감소하였으며 정확한 현장 셀프 캘리브레이션을 수행하기 위한 캘리브레이션 데이터셋의 취득 지침을 제공함으로써 사용자의 현장 셀프 캘리브레이션의 효율성과 정밀성을 향상시킬 수 있을 것으로 판단된다. 또한, 지속적이고 주기적인 현장 캘리브레이션을 통해 효율적이고 정확한 포인트 클라우드 데이터를 획득할 수 있을 것으로 판단된다. 제안 방법은 향후 실내 모바일 매핑 상황과 같은 모바일 매핑 데이터 취득 도중 실시간 캘리브레이션을 통하여 정확한 모바일 매핑을 수행하는데 도움이 될 것으로 판단된다.