Transformation Decoupling Strategy based on Screw Theory for Deterministic Point Cloud Registration with Gravity Prior

要約

大量の外れ値対応が存在する場合、点群の登録は困難です。
この論文は、実際にしばしば発生する重力事前の堅牢な対応ベースの位置合わせ問題に対処することに焦点を当てています。
重力方向は通常、慣性測定ユニット (IMU) によって取得され、回転の自由度 (DOF) を 3 から 1 に減らすことができます。ねじ理論を活用することにより、新しい変換デカップリング戦略を提案します。
この戦略は、元の 4-DOF 問題をそれぞれ 1-DOF、2-DOF、および 1-DOF の 3 つのサブ問題に分解し、それによって計算効率を高めます。
具体的には、最初の 1-DOF は回転軸に沿った並進を表しており、それを解決するためのインターバル スタブベースの方法を提案します。
2 番目の 2-DOF は、ねじ理論の補助変数である極を表しており、これを解くために分枝限定法を利用します。
最後の 1-DOF は回転角度を表し、その推定のためにグローバル投票法を提案します。
提案された方法は、3 つのコンセンサス最大化副問題を順番に解決し、効率的かつ決定論的な登録につながります。
特に、その優れた堅牢性により、通信不要の登録問題にも対処できます。
合成データセットと現実世界のデータセットの両方に対する広範な実験により、99% を超える外れ値率を扱う場合でも、私たちの方法が最先端の方法よりも効率的で堅牢であることが実証されました。

要約(オリジナル)

Point cloud registration is challenging in the presence of heavy outlier correspondences. This paper focuses on addressing the robust correspondence-based registration problem with gravity prior that often arises in practice. The gravity directions are typically obtained by inertial measurement units (IMUs) and can reduce the degree of freedom (DOF) of rotation from 3 to 1. We propose a novel transformation decoupling strategy by leveraging screw theory. This strategy decomposes the original 4-DOF problem into three sub-problems with 1-DOF, 2-DOF, and 1-DOF, respectively, thereby enhancing the computation efficiency. Specifically, the first 1-DOF represents the translation along the rotation axis and we propose an interval stabbing-based method to solve it. The second 2-DOF represents the pole which is an auxiliary variable in screw theory and we utilize a branch-and-bound method to solve it. The last 1-DOF represents the rotation angle and we propose a global voting method for its estimation. The proposed method sequentially solves three consensus maximization sub-problems, leading to efficient and deterministic registration. In particular, it can even handle the correspondence-free registration problem due to its significant robustness. Extensive experiments on both synthetic and real-world datasets demonstrate that our method is more efficient and robust than state-of-the-art methods, even when dealing with outlier rates exceeding 99%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google