G3Reg: Pyramid Graph-based Global Registration using Gaussian Ellipsoid Model

要約

この研究では、LiDAR 点群の高速かつ堅牢なグローバル登録のための新しいフレームワーク G3Reg を導入します。
従来の複雑なキーポイントや記述子とは対照的に、生の点群から平面、クラスター、ライン (PCL) を含む基本的な幾何学的プリミティブを抽出して、低レベルのセマンティック セグメントを取得します。
各セグメントは、確率楕円体を使用して統合ガウス楕円体モデル (GEM) として定式化され、グラウンド トゥルースの中心がある程度の確率で含まれるようになります。
これらの GEM を利用して、Pyramid Compatibility Graph for Global Registration (PAGOR) に基づく信頼と検証のスキームを提示します。
具体的には、ピラミッド グラフを構築するための互換性テストの信頼レベルに基づいて通過できる上限を設定します。
グラフの各レベルに対して複数の最大クリーク (MAC) を徐々に解き、多数の変換候補を生成します。
検証フェーズでは、最適な候補を特定するために、幾何学的プリミティブに基づいた点群の位置合わせ品質の正確かつ効率的なメトリックを採用します。
このアルゴリズムのパフォーマンスは、実験評価のパラメーター設定を変更することなく、3 つの公的に利用可能なデータセットと自己収集されたマルチセッション データセットで広範囲に検証されています。
結果は、最先端の方法と比較して、G3Reg フレームワークの優れた堅牢性とリアルタイム パフォーマンスを示しています。
さらに、個々の GEM および PAGOR コンポーネントを他のアルゴリズム フレームワークに統合して、その有効性を高める可能性を実証します。
研究をさらに進め、コミュニティの理解を促進するために、私たちはソース コードを公開しました。

要約(オリジナル)

This study introduces a novel framework, G3Reg, for fast and robust global registration of LiDAR point clouds. In contrast to conventional complex keypoints and descriptors, we extract fundamental geometric primitives including planes, clusters, and lines (PCL) from the raw point cloud to obtain low-level semantic segments. Each segment is formulated as a unified Gaussian Ellipsoid Model (GEM) by employing a probability ellipsoid to ensure the ground truth centers are encompassed with a certain degree of probability. Utilizing these GEMs, we then present a distrust-and-verify scheme based on a Pyramid Compatibility Graph for Global Registration (PAGOR). Specifically, we establish an upper bound, which can be traversed based on the confidence level for compatibility testing to construct the pyramid graph. Gradually, we solve multiple maximum cliques (MAC) for each level of the graph, generating numerous transformation candidates. In the verification phase, we adopt a precise and efficient metric for point cloud alignment quality, founded on geometric primitives, to identify the optimal candidate. The performance of the algorithm is extensively validated on three publicly available datasets and a self-collected multi-session dataset, without changing any parameter settings in the experimental evaluation. The results exhibit superior robustness and real-time performance of the G3Reg framework compared to state-of-the-art methods. Furthermore, we demonstrate the potential for integrating individual GEM and PAGOR components into other algorithmic frameworks to enhance their efficacy. To advance further research and promote community understanding, we have publicly shared the source code.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google