Statistical Outlier Removal (SOR)

sor

Statistical Outlier Removal는 outlier를 제거하는 알고리즘입니다. n=1, 2, …, N 개의 point가 있을 때 n 번째 point를 기준으로 인접한 k개의 point들과 평균과 분산을 구해서 분산이 세팅한 parameter보다 큰 값이면 outlier로 간주하고 제거하는 알고리즘입니다. 이 알고리즘을 통해서는 위 그림같이 부정확하게 측정된 point를 제거할 수 있다는 장점이 있습니다. 3D LiDAR 센서라고 해서 100% 정확하게 거리를 측정하지는 못 합니다. 물체의 겉이 반사가 심하게 코딩되어 있거나(e.g. 뻔뜩뻔뜩한 대리석 바닥) 면이 둥글어서 난반사가 일어나거나 유리로 되어 있는 경우에는 굴절이 일어나면서 측정값이 부정확해질 수 있기 때문입니다. 그럴 떄 Satisticcal Outlier Removal을 사용하면 outlier를 손쉽게 제거할 수 있습니다.

How to use SOR

아래는 인접한 10개를 통해 std가 1.0 이상인 outlier를 제거하는 코드 예제입니다. (46번 째 줄 부터)

LiDAR data는 NAVER LABS localization dataset의 Velodyne-16 point cloud를 활용했습니다.

img

위의 그림처럼, 왼쪽(빨강)에서의 noise 부분들이 상당히 제거됩니다. 특히, 이 LiDAR pointcloud는 실제 판교 백화점에서 측정된 data인데, 환경적 특징으로 인해 난반사 등이 발생하여 상당한 noise가 껴있어도 SOR을 통해 noise를 제거할 수 있다는 것을 확인할 수 있습니다.

그로 인해 오른쪽(초록)에서 dense하게 측정된 부분만 남게 됩니다.

개인적인 견해 (및 저의 경험)

하지만, 저의 경험으로는 채널이 많은( > 32) 3D LiDAR로 얻은 pointcloud에서는 SOR을 잘 안 씁니다.

왜냐하면 인접한 k개의 point를 찾는 것도 연산이 너무 오래 걸리기 떄문입니다. 그리고 3D Pointcloud는 필연적으로 메모리를 효율적으로 사용하기 위해 voxelization을 사용하는데,

voxelization은 Leaf 내부의 여러 point의 평균을 내기 때문에, 이 과정에서도 side effect로 outlier의 영향을 줄일 수 있습니다.

따라서 SOR을 굳이 사용하지 않아도 SLAM을 하는데 큰 무리가 없습니다. (100% 저의 견해입니다. 부족한 점이 있으면 언제든 코멘트 부탁드립니다.)

sor_real_case

그래서 저는 주로 2D LiDAR의 outlier를 제거할 때 사용합니다.

예전에 Hitach-LG에서 주관한 LiDAR 경진대회에 나간 적이 있는데, 그 때 2D LiDAR의 LaserScan의 outlier를 제거하는데 효과적임을 확인했었습니다.

2D LiDAR 같은 경우는 3차원 공간 상의 한 평면만 스캔을 하는데, laser scan이 원기둥으로 기둥이나 매끄러운 평면에 맞게되면 range 값들이 종종 오측정됩니다.

따라서 당시에 경진대회를 했을 때 Clustering을 하기 전에 SOR을 통해 너무 심한 outlier를 제거해준 후 clustering을 하면 좀더 robust하게 clustering이 되는 것을 확인했습니다.

그리고 2D LiDAR같은 경우에는 point 수가 그렇게 많지 않으니 SOR을 해도 연산에 부담이 없었던 것으로 기억합니다 :)

Point Cloud Library Tutorial 시리즈입니다.

모든 코드는 이 레포지토리에 있고, ros package로 구성되어 있어 build하여 직접 돌려보실 수 있습니다

  1. ROS Point Cloud Library (PCL) - 0. Tutorial 및 기본 사용법
  2. ROS Point Cloud Library (PCL) - 1. Ptr, ConstPtr의 완벽 이해 (1) shared_ptr
  3. ROS Point Cloud Library (PCL) - 1. Ptr, ConstPtr의 완벽 이해 (2) Ptr in PCL
  4. ROS Point Cloud Library (PCL) - 1. Ptr, ConstPtr의 완벽 이해 (3) Ptr in 클래스 멤버변수
  5. ROS Point Cloud Library (PCL) - 2. 형변환 - toROSMsg, fromROSMsg
  6. ROS Point Cloud Library (PCL) - 3. Transformation
  7. ROS Point Cloud Library (PCL) - 4. Viewer로 visualization하는 법
  8. ROS Point Cloud Library (PCL) - 5. Voxelization
  9. ROS Point Cloud Library (PCL) - 6. PassThrough
  10. ROS Point Cloud Library (PCL) - 7. Statistical Outlier Removal
  11. ROS Point Cloud Library (PCL) - 8. KdTree를 활용한 Radius Search
  12. ROS Point Cloud Library (PCL) - 9. KdTree를 활용한 K-nearest Neighbor Search (KNN)
  13. ROS Point Cloud Library (PCL) - 10. Normal Estimation
  14. ROS Point Cloud Library (PCL) - 11. Iterative Closest Point (ICP)
  15. ROS Point Cloud Library (PCL) - 12. Generalized Iterative Closest Point (G-ICP)
  16. ROS Point Cloud Library (PCL) - 13. getVector3fMap()을 통한 효율적인 복사