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グラウンド トゥルースの中心が一定の確率で含まれることを保証する統合ガウス楕円体モデル (GEM) として表されます。
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。
次に、ピラミッド グラフの各レベルに対して複数の最大クリーク (MAC) を解き、対応する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、公開されている 3 つのデータセットと自己収集されたマルチセッション データセットで検証されています。
実験評価中、パラメータ設定は変更されませんでした。
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登録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。
コード: https://github.com/HKUST-Aerial-Robotics/G3Reg

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 represented as a unified Gaussian Ellipsoid Model (GEM), using a probability ellipsoid to ensure the ground truth centers are encompassed with a certain degree of probability. Utilizing these GEMs, we 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. Then, we solve multiple maximum cliques (MAC) for each level of the pyramid graph, thus generating the corresponding 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 algorithm’s performance is validated on three publicly available datasets and a self-collected multi-session dataset. Parameter settings remained unchanged during the experiment evaluations. 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 registration frameworks to enhance their efficacy. Code: https://github.com/HKUST-Aerial-Robotics/G3Reg

arxiv情報

提供元, 利用サービス

arxiv.jp, Google