Registration of 3D Point Sets Using Exponential-based Similarity Matrix

要約

ポイントクラウド登録は、コンピュータービジョンとロボット工学の根本的な問題であり、Lidarや構造化された光などの深度センサーを使用してさまざまな視点からキャプチャされた3Dポイントセットのアラインメントを含みます。
最新のロボットシステム、特にマッピングに焦点を当てたシステムでは、同じ環境の複数のビューを正確にマージすることが不可欠です。
ただし、最先端の登録手法は、ポイントセット間に大きな回転の違いが存在する場合、またはセンサーノイズによってデータが大幅に破損している場合に苦労します。
これらの課題は、不整合につながり、その結果、3D再構成が不正確または歪んでいる可能性があります。
この作業では、これらの両方の制限に対処し、古典的な反復ポイント（ICP）アルゴリズムに堅牢な変更を提案します。
指数類似性マトリックスICP（ESM-ICP）と呼ばれるこの方法は、ガウスにインスパイアされた指数重み付けスキームを統合して、反復全体に動的に適応する類似性マトリックスを構築します。
このマトリックスは、アライメント中の回転コンポーネントと翻訳コンポーネントの両方の推定の改善を容易にします。
2つの挑戦的なシナリオでESM-ICPの堅牢性を示します。（i）ソースとターゲットポイントクラウドの間の大きな回転不一致、および（ii）非ガウスノイズによって破損したデータ。
私たちの結果は、ESM-ICPが従来の幾何学的登録手法と最近のいくつかの学習ベースの方法よりも優れていることを示しています。
再現性とコミュニティの関与を促進するために、当社の完全な実装はGitHubで公開されています。
https://github.com/aralab-unr/esm_icp

要約(オリジナル)

Point cloud registration is a fundamental problem in computer vision and robotics, involving the alignment of 3D point sets captured from varying viewpoints using depth sensors such as LiDAR or structured light. In modern robotic systems, especially those focused on mapping, it is essential to merge multiple views of the same environment accurately. However, state-of-the-art registration techniques often struggle when large rotational differences exist between point sets or when the data is significantly corrupted by sensor noise. These challenges can lead to misalignments and, consequently, to inaccurate or distorted 3D reconstructions. In this work, we address both these limitations by proposing a robust modification to the classic Iterative Closest Point (ICP) algorithm. Our method, termed Exponential Similarity Matrix ICP (ESM-ICP), integrates a Gaussian-inspired exponential weighting scheme to construct a similarity matrix that dynamically adapts across iterations. This matrix facilitates improved estimation of both rotational and translational components during alignment. We demonstrate the robustness of ESM-ICP in two challenging scenarios: (i) large rotational discrepancies between the source and target point clouds, and (ii) data corrupted by non-Gaussian noise. Our results show that ESM-ICP outperforms traditional geometric registration techniques as well as several recent learning-based methods. To encourage reproducibility and community engagement, our full implementation is made publicly available on GitHub. https://github.com/aralab-unr/ESM_ICP

arxiv情報

提供元, 利用サービス

arxiv.jp, Google