L-PR: Exploiting LiDAR Fiducial Marker for Unordered Low Overlap Multiview Point Cloud Registration

要約

点群の登録は、コンピューター ビジョンやロボット工学の多くのアプリケーションの前提条件です。
既存の手法のほとんどは、重なりが大きい 2 つの点群のペアごとの位置合わせに焦点を当てています。
重複が少ない場合にはいくつかの方法がありますが、劣化したシナリオでは困難です。
この論文では、LiDAR 基準マーカーを活用して、順序付けされていない重なりの少ない多視点点群を登録するように設計された、L-PR という新しいフレームワークを紹介します。
これらを LiDAR 基準マーカーと呼びますが、これらは人気のある AprilTag マーカーや ArUco マーカーと同じで、環境の 3D ジオメトリに影響を与えない薄い紙のシートです。
我々はまず、点群間の視点が劇的に変化する場合にロバストな検出結果を提供する、改良された適応閾値マーカー検出方法を提案する。
次に、無秩序多視点点群登録問題を最大事後 (MAP) 問題として定式化し、これに対処するための 2 レベルのグラフからなるフレームワークを開発します。
重み付きグラフとして構築された第 1 レベルのグラフは、順序付けされていないセットからスキャン ポーズの初期値を効率的かつ最適に推測するように設計されています。
第 2 レベルのグラフは因子グラフとして構築されます。
スキャン ポーズ、マーカー ポーズ、マーカー コーナー位置など、グラフ上の変数をグローバルに最適化することで、MAP 問題に取り組みます。
定性的および定量的な実験を実施し、提案手法が登録精度、インスタンス再構成品質、位置特定精度、劣化シーンに対するロバスト性の 4 つの側面で競合他社よりも優れていることを実証します。
コミュニティに利益をもたらすために、私たちはメソッドとデータセットを https://github.com/yorklyb/LiDAR-SFM でオープンソース化しています。

要約(オリジナル)

Point cloud registration is a prerequisite for many applications in computer vision and robotics. Most existing methods focus on pairwise registration of two point clouds with high overlap. Although there have been some methods for low overlap cases, they struggle in degraded scenarios. This paper introduces a novel framework named L-PR, designed to register unordered low overlap multiview point clouds leveraging LiDAR fiducial markers. We refer to them as LiDAR fiducial markers, but they are the same as the popular AprilTag and ArUco markers, thin sheets of paper that do not affect the 3D geometry of the environment. We first propose an improved adaptive threshold marker detection method to provide robust detection results when the viewpoints among point clouds change dramatically. Then, we formulate the unordered multiview point cloud registration problem as a maximum a-posteriori (MAP) problem and develop a framework consisting of two levels of graphs to address it. The first-level graph, constructed as a weighted graph, is designed to efficiently and optimally infer initial values of scan poses from the unordered set. The second-level graph is constructed as a factor graph. By globally optimizing the variables on the graph, including scan poses, marker poses, and marker corner positions, we tackle the MAP problem. We conduct qualitative and quantitative experiments to demonstrate that the proposed method exhibits superiority over competitors in four aspects: registration accuracy, instance reconstruction quality, localization accuracy, and robustness to the degraded scene. To benefit the community, we open-source our method and dataset at https://github.com/yorklyb/LiDAR-SFM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google