Segregator: Global Point Cloud Registration with Semantic and Geometric Cues

要約

このホワイト ペーパーでは、意味情報と幾何学的分布の両方を活用して外れ値に強い対応を効率的に構築し、インライアを検索するグローバル ポイント クラウド登録フレームワークである Segregator について説明します。
現在の最先端のアルゴリズムは、ポイント フィーチャに依存して、推定対応を設定し、ペアごとの距離の一貫性チェックを使用してそれらを改良します。
ただし、このようなスキームは、ローカルポイント機能の記述能力が低下する縮退したケースと、長さ保存（l-TRIM）ベースのチェックが現在の観測が他の観測と一致しているかどうかを十分に制約できない制約のないケースに悩まされ、その結果、
解決すべき複雑な NP 完全問題。
一方では、これらの問題に取り組むために、インスタンス レベルのセマンティック クラスターと幾何学的レベルのポイント フィーチャの両方で構成される、縮退ロバストで効率的な新しい対応手順を提案します。
一方、ガウス分布ベースの並進および回転不変測定 (G-TRIM) は、一貫性チェックを実行し、問題のサイズをさらに制限するために提案されています。
広範な実世界のデータに基づく実験で、提案されたアルゴリズムを検証しました。
コードは https://github.com/Pamphlett/Segregator から入手できます。

要約(オリジナル)

This paper presents Segregator, a global point cloud registration framework that exploits both semantic information and geometric distribution to efficiently build up outlier-robust correspondences and search for inliers. Current state-of-the-art algorithms rely on point features to set up putative correspondences and refine them by employing pair-wise distance consistency checks. However, such a scheme suffers from degenerate cases, where the descriptive capability of local point features downgrades, and unconstrained cases, where length-preserving (l-TRIMs)-based checks cannot sufficiently constrain whether the current observation is consistent with others, resulting in a complexified NP-complete problem to solve. To tackle these problems, on the one hand, we propose a novel degeneracy-robust and efficient corresponding procedure consisting of both instance-level semantic clusters and geometric-level point features. On the other hand, Gaussian distribution-based translation and rotation invariant measurements (G-TRIMs) are proposed to conduct the consistency check and further constrain the problem size. We validated our proposed algorithm on extensive real-world data-based experiments. The code is available: https://github.com/Pamphlett/Segregator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google