Efficient and Distributed Large-Scale Point Cloud Bundle Adjustment via Majorization-Minimization

要約

ポイントクラウドバンドルの調整は、大規模なポイントクラウドマッピングで重要です。
ただし、スキャンの数が増加するにつれて、それは計算上およびメモリ集約的なものであり、その複雑さは立方体に成長しています。
このペーパーでは、効率的で分散した大規模なポイントクラウドバンドル調整方法であるBalm3.0を紹介します。
提案された方法では、マジョン化最小化アルゴリズムを使用して、バンドル調整プロセスでスキャンポーズを分離するため、計算効率が改善された大規模データでポイントクラウドバンドル調整を実行します。
バンドル調整にマジョン化最小化を適用することの重要な難しさは、適切な代理コスト関数を特定することです。
この論文では、提案された代理コスト関数は、ポイントツー面の距離に基づいています。
マジョン化最小化アルゴリズムを介してスキャンポーズを切り離す主な利点は、2つの重要な側面に由来します。
まず、スキャンポーズのデカップリングにより、最適化時間の複雑さがキュービックから線形まで減少し、大規模環境でのバンドル調整プロセスの計算効率を大幅に向上させます。
第二に、分散バンドル調整の理論的基盤を築きます。
複数のデバイスにデータと計算の両方を配布することにより、このアプローチは、大きなメモリと計算要件によってもたらされる制限を克服するのに役立ちます。これは、単一のデバイスが処理するのが難しい場合があります。
提案された方法は、シミュレートされた環境と現実世界の両方の環境で広く評価されています。
結果は、提案された方法が同等の精度で同じ最適な残差を達成し、最適化速度が最大704倍高くなり、メモリの使用量が1/8に削減されることを示しています。
さらに、このペーパーでは、分散バンドル調整フレームワークを提示および実装し、4つの消費者レベルのラップトップを備えた大規模なデータ（70 GBポイントクラウドを備えた21,436ポーズ）を成功裏に実装しました。

要約(オリジナル)

Point cloud bundle adjustment is critical in large-scale point cloud mapping. However, it is both computationally and memory intensive, with its complexity growing cubically as the number of scan poses increases. This paper presents BALM3.0, an efficient and distributed large-scale point cloud bundle adjustment method. The proposed method employs the majorization-minimization algorithm to decouple the scan poses in the bundle adjustment process, thus performing the point cloud bundle adjustment on large-scale data with improved computational efficiency. The key difficulty of applying majorization-minimization on bundle adjustment is to identify the proper surrogate cost function. In this paper, the proposed surrogate cost function is based on the point-to-plane distance. The primary advantages of decoupling the scan poses via a majorization-minimization algorithm stem from two key aspects. First, the decoupling of scan poses reduces the optimization time complexity from cubic to linear, significantly enhancing the computational efficiency of the bundle adjustment process in large-scale environments. Second, it lays the theoretical foundation for distributed bundle adjustment. By distributing both data and computation across multiple devices, this approach helps overcome the limitations posed by large memory and computational requirements, which may be difficult for a single device to handle. The proposed method is extensively evaluated in both simulated and real-world environments. The results demonstrate that the proposed method achieves the same optimal residual with comparable accuracy while offering up to 704 times faster optimization speed and reducing memory usage to 1/8. Furthermore, this paper also presented and implemented a distributed bundle adjustment framework and successfully optimized large-scale data (21,436 poses with 70 GB point clouds) with four consumer-level laptops.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google