Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration

要約

深層学習は、複数の 3D 点群登録データセットに対して有望な結果を示しています。
ただし、水中領域では、マルチビーム音響測深機 (MBES) 点群データのほとんどの登録は、依然として反復最近接点 (ICP) ファミリの古典的な手法を使用して実行されます。
この作業では、西南極の自律型水中車両から構築された半合成 MBES 登録データセットである DotsonEast データセットをキュレーションしてリリースします。
このデータセットを使用して、2 つの古典的な手法と 4 つの学習ベースの手法のパフォーマンスを体系的にベンチマークします。
実験結果は、学習ベースの方法が粗い位置合わせにうまく機能し、高いオーバーラップ (20 ～ 50%) で一貫して大まかな変換を回復するのに優れていることを示しています。
比較すると、GICP (ICP の一種) は細かい調整に優れたパフォーマンスを発揮し、非常に低いオーバーラップ (10%) ではすべてのメトリクスにわたって優れています。
私たちの知る限り、これは、AUV ベースの MBES データセットに対する学習ベースの登録方法と従来の登録方法の両方のベンチマークを行った最初の研究です。
将来の研究を容易にするために、コードとデータの両方がオンラインで利用できるようになります。

要約(オリジナル)

Deep learning has shown promising results for multiple 3D point cloud registration datasets. However, in the underwater domain, most registration of multibeam echo-sounder (MBES) point cloud data are still performed using classical methods in the iterative closest point (ICP) family. In this work, we curate and release DotsonEast Dataset, a semi-synthetic MBES registration dataset constructed from an autonomous underwater vehicle in West Antarctica. Using this dataset, we systematically benchmark the performance of 2 classical and 4 learning-based methods. The experimental results show that the learning-based methods work well for coarse alignment, and are better at recovering rough transforms consistently at high overlap (20-50%). In comparison, GICP (a variant of ICP) performs well for fine alignment and is better across all metrics at extremely low overlap (10%). To the best of our knowledge, this is the first work to benchmark both learning-based and classical registration methods on an AUV-based MBES dataset. To facilitate future research, both the code and data are made available online.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google