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

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多くのアプリケーションの前提条件です。
ほとんどの既存の方法は、重複する2つのポイントクラウドのペアワイズ登録に焦点を当てています。
オーバーラップの低いケースのためのいくつかの方法はありましたが、それらは劣化したシナリオで苦労しています。
このホワイトペーパーでは、LIDAR Fiducialマーカーを活用する順序付けられていない低オーバーラップマルチビューポイントクラウドを登録するように設計されたL-PRと呼ばれる新しいフレームワークを紹介します。
それらをLidar Fiducialマーカーと呼びますが、それらは人気のあるApriltagおよびArucoマーカー、環境の3D形状に影響を与えない薄い紙のシートと同じです。
最初に、ポイントクラウド間の視点が劇的に変化したときに堅牢な検出結果を提供するために、改善された適応閾値マーカー検出方法を提案します。
次に、Un-Ordered Multiview Point Cloud登録の問題を最大Aポステリオリ（MAP）問題として策定し、2つのレベルのグラフで構成されるフレームワークを開発します。
加重グラフとして構築された第1レベルのグラフは、順序付けら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、マーカーコーナーの位置など、グラフ上の変数をグローバルに最適化することにより、マップの問題に取り組みます。
定性的実験と定量的実験の両方を実施して、提案された方法が以前の最先端（SOTA）方法を上回ることを実証し、L-PRが3Dアセット収集およびトレーニングデータの低コストで効率的なツールとして機能することを紹介する
コレクション。
特に、L-PRを使用してLivox-3DMatchという名前の新しいデータセットを収集し、SOTA学習ベースの方法であるSGHRのトレーニングに組み込みます。SGHRは、さまざまなベンチマークでSGHRの明らかな改善をもたらします。

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 dubbed 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 both qualitative and quantitative experiments to demonstrate that the proposed method surpasses previous state-of-the-art (SOTA) methods and to showcase that L-PR can serve as a low-cost and efficient tool for 3D asset collection and training data collection. In particular, we collect a new dataset named Livox-3DMatch using L-PR and incorporate it into the training of the SOTA learning-based method, SGHR, which brings evident improvements for SGHR on various benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google