GMCR: Graph-based Maximum Consensus Estimation for Point Cloud Registration

要約

点群の登録は、物体の姿勢推定、位置特定とマッピングの同時実行、ロボット センサーのキャリブレーションなどのアプリケーションのために非構造化環境で対話する自律ロボットにとって、基本的かつ困難な問題です。
グローバル対応ベースの点群登録では、データの関連付けは非常に脆弱なタスクであり、一般に大量の外れ値が生成されます。
外れ値を拒否しないと、エラーが下流の認識タスクに伝播する可能性があります。
マキシマム コンセンサス (MC) はロバストな推定に広く使用されている手法ですが、NP が困難であることが知られています。
厳密な手法では現実的な問題インスタンスにスケールするのが困難ですが、近似手法では外れ値率が高いことが困難です。
この目的を達成するために、外れ値に対して非常に堅牢で、現実的な問題インスタンスに対応するグラフベースの最大コンセンサス登録 (GMCR) を提案します。
我々は、分離された MC 目標をグラフ領域にマッピングするための新しいコンセンサス関数を提案します。そこでは、最大クリークとして設定された最大コンセンサスへの厳密な近似が見つかります。
最終的な姿勢推定は閉じた形式で与えられます。
私たちは、提案した GMCR を、合成レジストレーション ベンチマーク、ロボットによるオブジェクト位置特定タスク、さらにスキャン マッチング ベンチマークで広範囲に評価しました。
私たちが提案した方法は、他の最先端の MC 方法と比較して高い精度と時間効率を示し、他の堅牢な位置合わせ方法と比較しても優れています。

要約(オリジナル)

Point cloud registration is a fundamental and challenging problem for autonomous robots interacting in unstructured environments for applications such as object pose estimation, simultaneous localization and mapping, robot-sensor calibration, and so on. In global correspondence-based point cloud registration, data association is a highly brittle task and commonly produces high amounts of outliers. Failure to reject outliers can lead to errors propagating to downstream perception tasks. Maximum Consensus (MC) is a widely used technique for robust estimation, which is however known to be NP-hard. Exact methods struggle to scale to realistic problem instances, whereas high outlier rates are challenging for approximate methods. To this end, we propose Graph-based Maximum Consensus Registration (GMCR), which is highly robust to outliers and scales to realistic problem instances. We propose novel consensus functions to map the decoupled MC-objective to the graph domain, wherein we find a tight approximation to the maximum consensus set as the maximum clique. The final pose estimate is given in closed-form. We extensively evaluated our proposed GMCR on a synthetic registration benchmark, robotic object localization task, and additionally on a scan matching benchmark. Our proposed method shows high accuracy and time efficiency compared to other state-of-the-art MC methods and compares favorably to other robust registration methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google