Stress-Testing Point Cloud Registration on Automotive LiDAR

要約

Rigid Point Cloud Registration (PCR) アルゴリズムは、2 つの点群間の 6-DOF 相対運動を推定することを目的としています。これは、自動運転を含むさまざまな分野で重要です。
近年、グローバル PCR アルゴリズム、つまり大きな相対運動を処理できるアルゴリズムが大幅に改善されました。
これは、屋内シーンを含むさまざまなシナリオで実証されていますが、点群が車載 LiDAR センサーによって生成される自動車の設定で最小限しかテストされていません。
この作業では、新しいアルゴリズムのどれが最も正確で、どれが最も速いかなど、自動車アプリケーションにとって重要な質問に答えることを目指しています。
深層学習のアプローチはどの程度応用可能か。
ボストンのデータでネットワークをトレーニングし、シンガポールの車両で実行するとどうなるでしょうか?
アルゴリズムが劣化し始める前に、点群間のオーバーラップをどれだけ小さくすることができますか?
アルゴリズムの回転不変性はどの程度ですか?
私たちの結果は時々驚くべきものです。
登録のためのロバストなパラメーター推定方法を比較すると、最も高速で最も正確な方法が最新の方法ではないことがわかります。
代わりに、よく知られている RANSAC 手法の最新版です。
また、それをさらに改善するために、新しい外れ値フィルタリング方法であるグリッド優先フィルタリング (GPF) を提案します。
この作業の追加の貢献は、自動車の LiDAR データセットから挑戦的なフレーム ペアのセットを選択するためのアルゴリズムです。
これにより、Automotive LiDAR 設定で意味のあるベンチマークが可能になり、学習アルゴリズムのトレーニングも改善できます。

要約(オリジナル)

Rigid Point Cloud Registration (PCR) algorithms aim to estimate the 6-DOF relative motion between two point clouds, which is important in various fields, including autonomous driving. Recent years have seen a significant improvement in global PCR algorithms, i.e. algorithms that can handle a large relative motion. This has been demonstrated in various scenarios, including indoor scenes, but has only been minimally tested in the Automotive setting, where point clouds are produced by vehicle-mounted LiDAR sensors. In this work, we aim to answer questions that are important for automotive applications, including: which of the new algorithms is the most accurate, and which is fastest? How transferable are deep-learning approaches, e.g. what happens when you train a network with data from Boston, and run it in a vehicle in Singapore? How small can the overlap between point clouds be before the algorithms start to deteriorate? To what extent are the algorithms rotation invariant? Our results are at times surprising. When comparing robust parameter estimation methods for registration, we find that the fastest and most accurate is not one of the newest approaches. Instead, it is a modern variant of the well known RANSAC technique. We also suggest a new outlier filtering method, Grid-Prioritized Filtering (GPF), to further improve it. An additional contribution of this work is an algorithm for selecting challenging sets of frame-pairs from automotive LiDAR datasets. This enables meaningful benchmarking in the Automotive LiDAR setting, and can also improve training for learning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google