비정형의 건설환경 매핑을 위한 레이저 반사광 강도와 주변광을 활용한 향상된 라이다-관성 슬램

1. 서 론

시공 및 준공 단계에서 현장에서의 관리를 통해 작업이 적절하게 진행되고 있는지 파악하는 것은 무척 중요한 일이다. 특히 대규모의 시공 및 준공에서 초기 발생한 오차는 후에 더욱 큰 오차를 유발할 수 있으며, 심각한 경우 재시공까지 고려해야 하기 때문에 현장에서 지속적인 관리는 필수적이다. 하지만 일부 비정형 환경은 사람뿐만 아니라 일반적인 하드웨어로 접근하기도 힘들며, 대규모 시공 및 준공에서 정밀한 관리는 오랜 시간을 소요하게 되어 진행도를 늦출 수 있다는 문제가 존재한다. 따라서 사람 대신 현장에 접근할 수 있는 시스템을 고안하고, 해당 시스템으로 자료를 취득하여 시공 및 준공 과정을 관리하는 것이 효율적일 것이다. 취득된 자료는 동시적 위치추적 및 지도작성(SLAM, Simultaneous Localization And Mapping)에 사용되어 현장의 지도를 만들 수 있으며, 시공 현장 맵핑을 위해 라이다 SLAM이 사용될 수 있다. 라이다 SLAM 중 Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping (LIO-SAM)^[1]은 정확도가 높으며, 다른 라이다 SLAM에서 맵핑이 불가능한 지역도 맵핑을 성공적으로 한다는 점에서 매우 효과적인 방법이다. 하지만 비정형 환경에서는 관찰 대상만이 아닌 덤불이나 고르지 못한 지면에서도 다수의 특징점이 검출되기 쉽고, 특징점의 위치만을 활용하여 매칭하는 방식은 왜곡된 결과를 만들어 낼 수 있다는 단점이 있다. 더욱이 특징점이 많이 존재하지 않는 비정형 환경에서 잘못된 매칭은 결과에 치명적인 영향을 미칠 수 있다.

본 논문에서는 이러한 하드웨어와 소프트웨어 문제를 극복하고 시공 현장 모니터링에 적합한 시스템을 제안한다. 첫째, 비정형 환경에 적합한 시스템으로 [Fig. 1]에서 볼 수 있는 모바일 플랫폼을 선택하였으며, 추가로 라이다 센서, 관성 측정 장치(IMU, Inertial Measurement Unit), GPS (Global Position System)을 설치하여 시스템 주변의 자료를 취득할 수 있게 만들었다. 해당 시스템을 통해 취득된 자료는 SLAM을 통해 관찰 대상의 점군 지도를 만들어 현장의 관리 및 관찰을 용이하게 해줄 수 있다.

[Fig. 1]

Husky Unmanned Ground Vehicle. Using Robot Operating System (ROS), it can move at a speed up to 1 m/s and climb a hill with an angular degree of 45°

알고리즘으로는 Intensity and Ambient Enhanced Lidar Inertial Odometry via Smoothing and Mapping (IA-LIO-SAM)을 제안하여 비정형 환경에서 맵핑 정확도를 개선한다. 본 연구에서 활용한 라이다 센서, OS1-128에서 스캔된 각 점은 위치뿐만 아니라 intensity와 ambient 값 등을 가지고 있는데, 각 프레임에서의 특징점을 매칭할 때 해당 값을 추가로 활용할 수 있다. 또한 덤불이나 수풀 등의 경우 ambient 값이 고르게 퍼져 있는 특징이 있는데, 임계값을 설정하여 특정 점들을 무시함으로써 맵핑의 성능을 올릴 수 있다.

최종적으로, 아래의 항목들은 본 논문에서 제시하고자 하는 논점이다.

• • 비정형 환경에서 적합한 시스템을 제안하여, 무인으로 데이터를 취득할 수 있다.
• • Ambient 임계값을 설정하여 부정확한 매칭을 무시할 수 있다.
• • Intensity와 Ambient 값을 추가적으로 활용하여 비슷한 위치에 있는 특징점을 구별함으로써 비정형 환경에서의 정확도를 개선한다.
• • 제안한 시스템은 실제 공사현장을 포함한 다양한 환경에서 검증되었다.

2. 선행 연구 조사

3. 시스템 소개

채택한 모바일 플랫폼은 [Fig. 2]에 보이는 것과 같이 라이다, IMU, 2개의 안테나와 해당 신호를 수신 받는 GNSS+INS 수신기, 조종기 수신기로 구성되어 있다. 라이다는 OS1-128을 사용했으며 스캔된 각 점들의 위치뿐만 아니라 intensity, ring, range, ambient, time 등의 정보를 제공한다. 또한 OS1의 경우 OS2에 비해 넓은 화각을 가지고 있어서, 경사가 급한 부분에서 유리하게 작용할 수 있다. 플랫폼 작동을 위한 송신기는 FlySky FS-i6 2.4G 6CH PPM RC Transmitter를 사용하였다. 센서들의 정보는 [Fig. 2]와 [Table 1]에 요약되어 있다.

[Fig. 2]

Hardware sensor configuration. (a) side view, (b) top view of entire sensor system with coordinate information. The coordinate system of each sensor is marked with red (x), green (y), and blue (z), and the distance of each sensor is also displayed. A unit in the images is centimeters

[Table 1]

Sensor used in the sensor system

4. 연구 방법

공사현장과 같은 비정형 환경에서는 검출되는 특징점이 적고, 불규칙하다는 특징이 있다. 따라서 기존 라이다 SLAM을 활용한다면 LiDAR odometry의 값이 부정확하게 나오고, 이는 지도 생성에 큰 어려움을 준다. 즉, 추가적인 정보를 사용하여 개선해야 할 필요가 있다. 이를 위해 앞서 언급한 OS1-128을 사용하였으며, 해당 라이다는 각 점마다 intensity, ambient, range 등의 값을 추가적으로 제공한다. Intensity의 경우, 라이다에서 송신된 입자가 점에 반사되어 다시 수신된 입자의 수를 활용하여 결정되며, 가장 많은 입자가 수신된 시간을 이용해 range를 구한다. 즉, 반사도가 높은 물체에서는 높은 intensity 값을 가지게 된다. 하지만 라이다가 수신하는 입자 중에서는 햇빛과 같이 주변 환경으로부터 수신된 입자도 존재한다. 이때 라이다가 주변 환경으로부터 수신한 입자의 수를 활용하여 결정되는 것이 ambient이다. 즉, 라이다가 밝은 환경에 위치한다면 ambient의 값은 높게 측정된다. 정리하면, 라이다는 주변 환경으로부터 입자를 수신하는데, 수신된 입자 수를 통해 ambient 값이 계산되며 해당 값은 시간에 따라 일정한 편이다. 하지만 라이다에서 송신한 입자가 점에 반사되어 다시 라이다에 수신되었을 때, 라이다에서 수신한 총 입자 수는 증가할 것이다. 이때 증가한 입자 수가 intensity가 되며, 라이다에서 입자를 송신한 시각과 입자 수가 최대가 되는 시각의 차이를 이용해 측정한 거리가 range가 된다. Intensity와 ambient 값의 개요는 [Fig. 3(a)]에 나와있다. 또한, [Fig. 3(b)]는 점의 값들을 활용하여 만든 이미지를 보여주는데, intensity 차이가 크게 없는 곳에서 ambient 차이가 나며 그 반대도 있는 것을 확인할 수 있다. 즉, 특징점 매칭을 수행할 때 intensity와 ambient 값도 포함시킨다면 상호보완적으로 도움이 됨을 알 수 있다.

[Fig. 3]

(a) Example for channels of OS1-128. Based on the amount of photons received, the intensity, ambient, and range are determined. (b) Image created based on the values ​​of points. From above, the range, intensity, and ambient images are shown

본 연구에서는 앞서 설명된 intensity와 ambient 값을 활용한 IA-LIO-SAM을 제안한다. Intensity 값의 경우 각도나 거리에 따라 값이 달라져, 전체 경로에서 보았을 때는 일관성을 유지하기 힘들다. 일관성이 유지되지 않으면, 특징점 매칭 시 false-positive matching이 생길 수 있으며 이는 큰 오차를 유발할 수 있다. 하지만 LIO-SAM의 경우 인접한 시간대와 프레임의 점들 만을 비교하기 때문에 intensity 값의 일관성이 유지된다고 생각할 수 있으며, 이는 ambient 값에도 적용할 수 있다. 따라서 intensity, ambient 값을 추가로 사용하면 위치만을 사용하여 매칭한 것보다 더 효과적인 결과를 낼 수 있을 것이다. IA-LIO-SAM의 전체적인 과정은 [Fig. 4]에서 볼 수 있다.

[Fig. 4]

Diagram of proposed method. The black box is proposed by LIO-SAM, and the red box is newly included. Ambient was used to set thresholds and for K-Nearest Neighbor (K-NN) algorithm with intensity

4.3 현재 키프레임에서의 특징점 매칭 후보 선정

새롭게 얻어진 K_i+n과 4.2에서 얻어진 M_i의 특징점을 매칭하기 위해서는 K^′_i+n로의 변환이 필요하다. 이를 위해 i+1 시간에서 IMU 값을 얻고, 예측되는 변환 행렬 $$ {\widehat{T}}_{i+1}$$을 획득한다. 이후, M_i, K^′_i+n의 특징점을 매칭하게 된다. 하지만 $$ {\widehat{T}}_{i+1}$$은 IMU만을 통해 예측된 변환 행렬이기 때문에 W로의 변환이 정확하지 않을 수 있다. 더욱이 덤불이나 수풀 등에서는 특징점이 일관되게 생성되지 않는데, 이 위치의 차이가 더 커져서 잘못된 매칭을 유발시킬 수 있다.

덤불이나 수풀 등의 환경에 위치한 점들은 투과되는 빛의 양이 많기 때문에 주변의 크고 불투명한 사물에 비해 ambient 값이 크다는 특징이 있다. 따라서 ambient 임계값으로 λ를 설정하고, λ를 넘은 점들은 매칭 대상에서 제외시킨다. 특정 점들이 제외된 프레임은 K^′_i+n (λ)라고 표현한다. [Fig. 5]에서는 비정형 환경에서 ambient 값에 따른 점들의 모습을 보여준다 IA-LIO-SAM에서는 λ를 설정하기 위해, 대상 환경에 주로 분포하는 불투명 물체의 ambient 값을 라이다 스캔에서 먼저 취득하였다. 그 후, 해당 값보다 조금 높게 λ값을 설정하였다.

[Fig. 5]

Pointcloud scanned from IA-LIO-SAM. It was scanned in the forest and set to λ=750. When the ambient of the point is greater than λ, it is displayed in green, and when it is smaller than λ, it is displayed in brown. The unnecessary spots disappear and most of the trees remain

4.4 점군 매칭 및 LiDAR odometry 계산

$$ K{\text{'}}_{i+1}^e\left(\lambda \right),K{\text{'}}_{i+1}^p\left(\lambda \right)$$에 속한 각 특징점의 위치를 활용하여, $$ M_i^e,M_i^p$$에서 K-Nearest Neighbor (K-NN) 알고리즘을 통해 각 특징점과 대응하는 N_l개의 점을 찾는다. 그 후에, 찾으려고 했던 특징점의 intensity, ambient 값을 활용하여, N_l개의 특징점 에서 K-NN 알고리즘을 통해 대응하는 N_f개의 특징점을 찾는다.

$$ M_i^e,M_i^p$$에 속한, 각 N_f개의 특징점은 선과 평면으로 만들어질 수 있고 $$ K{\text{'}}_{i+1}^e\left(\lambda \right),K{\text{'}}_{i+1}^p\left(\lambda \right)$$에 있는 특징점과의 거리는 다음과 같이 나타낼 수 있다.

$\[ \begin{array}{c}{d}_{e_a}=\frac{\left|\left(p_{i+1,a}^e-p_{i,b}^e\right)\times \left(p_{i+1,a}^e-p_{i,c}^e\right)\right|}{\left|p_{i,b}^e-p_{i,c}^e\right|}\hfill \\ d_{p_a}=\frac{\left|\begin{array}{c}\left(p_{i+1,a}^p-p_{i,b}^p\right)\\ \left(p_{i,b}^p-p_{i,c}^p\right)\times \left(p_{i,b}^p-p_{i,d}^p\right)\end{array}\right|}{\left|\left(p_{i,b}^p-p_{i,c}^p\right)\times \left(p_{i,b}^p-p_{i,d}^p\right)\right|}\hfill \end{array} \]$

(2)

공통적으로 a, b, c, d는 점들을 나타내기 위한 표지이다. d_ea에서 $$ p_{i+1,a}^e$$는 $$ K{\text{'}}_{i+1}^e\left(\lambda \right)$$에 속하는 특징점이며, $$ p_{i,b}^e$$와 $$ p_{i,c}^e$$는 $$ M_i^e$$에서 만들어진 선을 형성하는 특징점이다. 또한, d_ep에서 $$ p_{i+1,a}^p$$는 $$ K{\text{'}}_{i+1}^p\left(\lambda \right)$$에 속하는 특징점이며, $$ p_{i,b}^p,p_{i,c}^p,p_{i,d}^p$$는 $$ M_i^p$$에서 만들어진 면을 형성하는 특징점이다. [Fig. 6]는 앞서 설명된 특징점의 위치를 보여준다.

[Fig. 6]

The feature points located at Mi form a line or plane, and calculate the distance from the feature points at K'i+1λ. (a) pi+1,ae belongs to K'i+1eλ. pi,be and pi,ce are feature points belonging to Mie. (b) pi+1,ap belongs to K'i+1pλ. pi,bp,pi,cp and pi,dp are feature points belonging to Mip

그 후, 가우스-뉴턴 방법은 다음을 최소화하며 최적의 변환 행렬을 찾아낸다.

$\[ \underset{T_{i+1}}{\min }\left\{\sum _{p_{i+1,a}^e\in K{\text{'}}_{i+1}^e\left(\lambda \right)}^{}{d}_{e_a}+\sum _{p_{i+1,a}^p\in K{\text{'}}_{i+1}^p\left(\lambda \right)}^{}{d}_{p_a}\right\} \]$

(3)

끝으로 x_i와 x_i+1 사이의 변환, $$ \Delta T_{i,i+1}=T_i^T T_{i+1}$$을 찾아낼 수 있고, 이것이 LiDAR odometry factor로 작용한다.

5. 연구 결과

5.2 정형 환경

정형 환경은 Seq 1~3으로 구성되어 있으며 ambient 임계값 λ=800에서 검증되었다. 데이터는 아스팔트 위 또는 보도에서 취득하였다. [Fig. 7]과 [Table 2]를 통해 Seq 1를 제외한 Seq 2, 3의 RMSE 값이 더 큰 것을 확인할 수 있다. 실제로 정형 환경에서는 ambient 임계값을 통해 불필요한 특징점만 지우는 것이 아니다. 또한, 데이터 습득 시 비정형 환경에 비해 떨림이 적기 때문에 $$ {\widehat{T}}_{i+1}$$를 통한 특징점의 W 좌표계로의 변환이 상대적으로 정확하다. 이런 점들을 고려할 때, 정형 환경에서 IA-LIO-SAM이 LIO-SAM에 비해 정확한 결과를 내지 못할 수 있다. 그럼에도 Seq 1에서는 오히려 좋은 결과를 얻을 수 있었고, 가장 경로가 긴 Seq 2의 경우에도 IA-LIO-SAM과 LIO-SAM의 차이가 크게 나지 않았다. 결과적으로 값의 차이가 크지 않기 때문에 이 정도의 수치는 확률적으로 무시할 만하고, IA-LIO-SAM이 정형에서도 무리 없이 사용할 수 있음을 알 수 있다.

[Fig. 7]

Result of dataset. (a) shows x-y trajectories of IA-LIO-SAM (blue), LIO-SAM (green), groundtruth (pink). Image below is the x-z trajectories. The real world image is shown in (b). Left image is top view of Seq 1 (red), Seq 2 (white), Seq 3 (blue). The top view of Seq 4 (blue region) and Seq 5,6 (red region).are in the middle image. In the right image, above is front view of Seq 4, and below is view of Seq 6 (also Seq 5). The result is shown in (c) through the box plot of RMSE

[Table 2]

Dataset translation error (meters)

5.4 공사 현장

경기도 광주에 위치한 안성-성남 고속도로 공사 현장 에서 Seq 7을 취득하였으며 ambient 임계값 λ=1400에서 검증되었다. [Fig. 8(a)]는 공사 현장 환경을 보여주며 [Fig. 8(b)]는 IA-LIO-SAM을 통해 제작된 점군 지도를 나타낸다. 제안된 UGV가 돌길이나 경사 등이 많이 위치한 공사 현장에서 정상적으로 작동함을 확인하였으며 비정형 환경과 마찬가지로 ambient 임계값 설정을 통해 불필요한 특징점을 제거할 수 있었다. 끝으로 [Table 3]를 통해 모든 지표에서 LIO-SAM에 비해 IA-LIO-SAM이 더욱 높은 정확도를 보여준 것을 확인할 수 있다.

[Fig. 8]

Construction site data. (a) shows the actual environment of the construction site. Not only the UGV being scanned, but also a running excavator are visible. (b) is a part of point cloud from IA-LIO-SAM. The color of points was expressed according to the ambient value

[Table 3]

Construction site translation error (meters)

5.5 터널 환경

마지막 실험은 [Fig. 9(a)]에서 볼 수 있는 세종시 도심 터널에서 검증되었다. 터널은 좁고, 검출되는 특징점이 유사하다는 점에서 SLAM이 성공적으로 되기 힘들다. 규모상 제안된 UGV 시스템으로 데이터를 취득하기 힘들기 때문에, [20]에서 소개된 차량 및 OS1-64를 이용하여 Seq 8을 취득하였으며 ambient 임계값 λ는 설정하지 않았다. LIO-SAM의 경우 초기 점군 지도를 형성하는데 실패하였으며, [Fig. 9(b)]에서 볼 수 있듯이 사거리나 건물의 위치가 왜곡되며 생성되었다. 이는 터널의 유사한 특징점으로 인한 매칭 실패가 원인이었다고 추측된다. 하지만 IA-LIO-SAM의 경우 성공적인 결과를 얻었다. 터널 환경에서의 RTK-GPS는 취득이 불가능하여 검증 시 기준 값을 활용할 수 없었다. 하지만 [Fig. 9(c)]에서 보여주듯이 완성된 지도를 통한 정성적인 평가가 가능하며, 왜곡이 발생하지 않은 채 실제 지도와 잘 일치함을 알 수 있다. 또한 본 실험은 유사한 특징점으로 인해 매칭이 어려운 환경으로 알려진 터널에서 비교 대상인 LIO-SAM이 점군 지도 제작에 실패하였음에도 불구하고 IA-LIO-SAM은 성공적인 결과를 얻었다는 점에 의의가 존재한다.

[Fig. 9]

Sejong tunnel data. It was acquired by installing OS1-64 in a car. (a) is a Kakao map load view of the data acquisition location. (b) is a part of point cloud from LIO-SAM (blue) and IA-LIO-SAM (red). (c) shows a comparison with the real world

6. 결 론

IA-LIO-SAM은 intensity와 ambient를 활용하여 LiDAR odometry factor의 성능을 향상시켰다. Ambient 값을 통해 물체를 구별할 수 있었으며, 이는 비정형 환경에서 불필요한 특징점을 제거하는데 효과적이다. 또한, 위치를 통한 특징점 매칭에 intensity와 ambient를 통한 매칭을 추가시킴으로 LiDAR odometry factor를 강화할 수 있었다. IA-LIO-SAM은 총 네 가지 환경에서 실험이 이루어졌다. 비정형 환경과 공사 현장에서는 LIO-SAM에 비해 더 높은 정확도를 얻을 수 있었고, 정형 환경에서는 유사한 결과를 얻어 어느 환경에서나 적용 가능함을 보여주었다. 특히, 터널 환경에서는 LIO-SAM은 맵핑에 실패하지만 IA-LIO-SAM에서는 성공하는 것을 추가적으로 보여준다. 추후에 적응적인 필터링을 적용하여 불필요한 매칭 후보를 제외하고, 제안한 알고리즘을 사용한다면 정형 환경에서도 높은 정확도를 얻을 수 있을 것이다. 또한, 앞으로는 점군의 위치뿐만 아니라 intensity와 ambient 등의 값 역시도 다양한 분야에서 사용될 수 있을 것이다.

Acknowledgments

This work is supported by the Korea Agency for Infrastructure Technology Advancement (KAIA) grant funded by the Ministry of Land, Infrastructure and Transport (National Research for Smart Construction Technology: Grant 21SMIP-A158708-02)

References

• T. Shan, B. Englot, D. Meyers, W. Wang, C. Ratti, and D. Rus, “LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping,” 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Las Vegas, NV, USA, 2020.
• P. J. Besl and N. D. McKay, “A Method for Registration of 3D Shapes,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, no. 2, pp. 239-256, 1992.
• A. Segal, D. Haehnel, and S. Thrun, “Generalized-ICP,” Robotics: Science and Systems, Seattle, USA, 2009.
• D. Chetverikov, D. Svirko, D. Stepanov, and P. Krsek, “The Trimmed Iterative Closest Point algorithm,” Object recognition supported by user interaction for service robots, Quebec City, QC, Canada, 2002.
• J.-M. Lee and G.-W. Kim, “A Camera Pose Estimation Method for Rectangle Feature based Visual SLAM,” Journal of Korea Robotics Society, vol. 11, no. 1, Mar., 2016.
• J. H. Lee, G. Zhang, and I. H. Suh, “Motion Estimation Using 3-D Straight Lines,” Journal of Korea Robotics Society, vol. 11, no. 4, Dec., 2016.
• D. G. Lowe, “Distinctive image features from scale invariant keypoints,” International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, 2004.
• H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, “Speeded-up robust features (SURF),” Computer Vision and Image Understanding, vol. 110, no. 3, pp. 346-359, 2008.
• E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “ORB: An efficient alternative to SIFT or SURF,” 2011 International Conference on Computer Vision, pp. 2564-2571, 2011.
• J. Zhang and S. Singh, “Low-drift and Real-time Lidar Odometry and Mapping,” Autonomous Robots, vol. 41, pp. 401-416, 2017.
• T. Shan and B. Englot, “LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain,” 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 4758-4765, 2018.
• C. Qin, H. Ye, C. E. Pranata, J. Han, S. Zhang, and M. Liu, “LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation,” 2020 IEEE International Conference on Robotics and Automation (ICRA), pp. 8899-8906, 2020.
• H. Ye, Y. Chen, and M. Liu, “Tightly Coupled 3D Lidar Inertial Odometry and Mapping,” 2019 International Conference on Robotics and Automation (ICRA), pp. 3144-3150, 2019.
• T.-M. Nguyen, M. Cao, S. Yuan, Y. Lyu, T. H. Nguyen, and L. Xie, “LIRO: Tightly coupled lidar-inertia-ranging odometry,” IEEE Int. Conf. Robot. Automat., 2020, [Online], https://arxiv.org/abs/2010.13072, .
• C. Forster, L. Carlone, F. Dellaert, and D. Scaramuzza, “On-Manifold Preintegration for Real-Time Visual—Inertial Odometry,” IEEE Transactions on Robotics, vol. 33, no. 1, pp. 1-21, Feb., 2017.
• H. Wang, C. Wang, and L. Xie, “Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection,” 2020 IEEE International Conference on Robotics and Automation (ICRA), pp. 2095-2101, 2020.
• T. Shan, B. Englot, F. Duarte, C. Ratti, and R. Daniela, “Robust Place Recognition using an Imaging Lidar,” IEEE International Conference on Robotics and Automation (ICRA), 2021, [Online], https://arxiv.org/abs/2103.02111v2, .
• X. Chen, T. Labe, A. Milioto, T. Röhling, O. Vysotska, A. Haag, J. Behley, and C. Stachniss, “OverlapNet: Loop Closing for LiDAR-based SLAM,” Robotics: Science and Systems (RSS), 2020, [Online], https://arxiv.org/abs/2105.11344v1, .
• Y. S. Park, H. Jang, and A. Kim, “I-LOAM: Intensity Enhanced LiDAR Odometry and Mapping,” 2020 17th International Conference on Ubiquitous Robots (UR), Kyoto, Japan, pp. 455-458, 2020.
• J. Jeong, Y. Cho, Y.-S. Shin, H. Roh, and A. Kim, “Complex Urban Dataset with Multi-level Sensors from Highly Diverse Urban Environments,” International Journal of Robotics Research, vol. 38, no. 6, pp. 642-657, 2019.