Pyramid Semantic Graph-based Global Point Cloud Registration with Low Overlap

要約

グローバル点群の登録は、ループの終了や再局在化などの多くのロボット タスクで不可欠です。
残念ながら、位置合わせでは点群間の重なりが少ないことが問題となることが多く、これは実際のアプリケーションではオクルージョンや視点の変更により頻繁に発生します。
この論文では、重複が少ないグローバル点群登録の問題に対処するためのグラフ理論フレームワークを提案します。
この目的を達成するために、私たちは一貫性グラフを構築して堅牢なデータ関連付けを促進し、最先端 (SoTA) 手法に従って信頼性の高い姿勢推定のために段階的非凸性 (GNC) を採用します。
以前のアプローチとは異なり、セマンティック キューを使用して密な点群をスケールダウンし、問題のサイズを縮小します。
さらに、マルチレベルの整合性しきい値を使用してピラミッド グラフを構築することで、整合性しきい値から生じる曖昧さに対処します。
次に、結果として生じる最密クリーク問題を解決し、すべての一貫性しきい値に対して複数のポーズ候補を取得するためのカスケード勾配上昇法を提案します。
最後に、高速幾何学的検証を使用して、複数の姿勢候補から最適な推定値を選択します。
自己収集された屋内データセットと公開 KITTI データセットに対して行われた私たちの実験は、点群の重複が少なく、セマンティック品質が低いにもかかわらず、私たちの方法が最高の成功率を達成することを示しています。
このプロジェクトのコード https://github.com/HKUST-Aerial-Robotics/Pagor をオープンソース化しました。

要約(オリジナル)

Global point cloud registration is essential in many robotics tasks like loop closing and relocalization. Unfortunately, the registration often suffers from the low overlap between point clouds, a frequent occurrence in practical applications due to occlusion and viewpoint change. In this paper, we propose a graph-theoretic framework to address the problem of global point cloud registration with low overlap. To this end, we construct a consistency graph to facilitate robust data association and employ graduated non-convexity (GNC) for reliable pose estimation, following the state-of-the-art (SoTA) methods. Unlike previous approaches, we use semantic cues to scale down the dense point clouds, thus reducing the problem size. Moreover, we address the ambiguity arising from the consistency threshold by constructing a pyramid graph with multi-level consistency thresholds. Then we propose a cascaded gradient ascend method to solve the resulting densest clique problem and obtain multiple pose candidates for every consistency threshold. Finally, fast geometric verification is employed to select the optimal estimation from multiple pose candidates. Our experiments, conducted on a self-collected indoor dataset and the public KITTI dataset, demonstrate that our method achieves the highest success rate despite the low overlap of point clouds and low semantic quality. We have open-sourced our code https://github.com/HKUST-Aerial-Robotics/Pagor for this project.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google