GMCR: Graph-based Maximum Consensus Estimation for Point Cloud Registration

要約

点群の登録は、オブジェクトの姿勢推定、同時ローカリゼーションとマッピング、ロボット センサーのキャリブレーションなどのアプリケーションのために、構造化されていない環境で対話する自律型ロボットにとって基本的かつ困難な問題です。
グローバル対応ベースの点群登録では、データの関連付けは非常に脆弱なタスクであり、一般的に大量の外れ値が生成されます。
外れ値を拒否しないと、エラーが下流の認識タスクに伝播する可能性があります。
最大コンセンサス (MC) は、ロバストな推定に広く使用されている手法ですが、NP 困難であることが知られています。
正確な方法は、現実的な問題のインスタンスにスケーリングするのに苦労しますが、近似方法では外れ値率が高いと困難です。
この目的のために、グラフベースの最大コンセンサス登録 (GMCR) を提案します。これは、外れ値に対して非常に堅牢で、現実的な問題のインスタンスにスケーリングします。
分離された MC 目的をグラフ領域にマッピングするための新しいコンセンサス関数を提案し、最大クリークとして設定された最大コンセンサスへの厳密な近似を見つけます。
最終的なポーズの推定値は閉じた形で与えられます。
提案された GMCR を、合成登録ベンチマーク、ロボット オブジェクト ローカリゼーション タスク、およびスキャン マッチング ベンチマークで広範囲に評価しました。
私たちの提案した方法は、他の最先端の MC 方法と比較して高い精度と時間効率を示し、他の堅牢な登録方法と比較して有利です。

要約(オリジナル)

Point cloud registration is a fundamental and challenging problem for autonomous robots interacting in unstructured environments for applications such as object pose estimation, simultaneous localization and mapping, robot-sensor calibration, and so on. In global correspondence-based point cloud registration, data association is a highly brittle task and commonly produces high amounts of outliers. Failure to reject outliers can lead to errors propagating to downstream perception tasks. Maximum Consensus (MC) is a widely used technique for robust estimation, which is however known to be NP-hard. Exact methods struggle to scale to realistic problem instances, whereas high outlier rates are challenging for approximate methods. To this end, we propose Graph-based Maximum Consensus Registration (GMCR), which is highly robust to outliers and scales to realistic problem instances. We propose novel consensus functions to map the decoupled MC-objective to the graph domain, wherein we find a tight approximation to the maximum consensus set as the maximum clique. The final pose estimate is given in closed-form. We extensively evaluated our proposed GMCR on a synthetic registration benchmark, robotic object localization task, and additionally on a scan matching benchmark. Our proposed method shows high accuracy and time efficiency compared to other state-of-the-art MC methods and compares favorably to other robust registration methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google