QuadricsReg: Large-Scale Point Cloud Registration using Quadric Primitives

要約

大規模な点群登録の領域では、大量のデータを効率的に処理し、視点の大幅な変動や遮蔽に対する登録の堅牢性を確保するには、コンパクトなシンボル表現を設計することが重要です。
この論文では、新しい点群登録方法、つまり QuadricsReg を紹介します。これは、簡潔な 2 次プリミティブを活用してシーンを表現し、その幾何学的特性を利用して 6-DoF 変換推定の対応関係を確立します。
象徴的な特徴として、二次表現はシーンの主要な幾何学的特徴を完全に捉えており、大規模な点群の複雑さを効率的に処理できます。
型やスケールなどの二次関数の固有の特性は、対応関係を初期化するために使用されます。
次に、二次曲線間の幾何学的一貫性に関する最大クリークを使用して対応関係を見つけるために、マルチレベル互換性グラフ セットを構築します。
最後に、二次対応を使用して 6-DoF 変換を推定します。これは、ファクター グラフ内の二次縮退を考慮した距離に基づいてさらに最適化され、高い位置合わせ精度と縮退構造に対するロバスト性を保証します。
5 つの公開データセットと、さまざまな LiDAR センサーとロボット プラットフォームにわたって自己収集された異種データセットでテストします。
例外的な登録成功率と最小限の登録エラーは、大規模な点群登録シナリオにおける QuadricsReg の有効性を示しています。
さらに、自己収集した異種データセットでの実際の登録テストでは、さまざまな LiDAR センサーとロボット プラットフォームでの QuadricsReg の堅牢性と一般化能力が示されています。
コードとデモは \url{https://levenberg.github.io/QuadricsReg} でリリースされます。

要約(オリジナル)

In the realm of large-scale point cloud registration, designing a compact symbolic representation is crucial for efficiently processing vast amounts of data, ensuring registration robustness against significant viewpoint variations and occlusions. This paper introduces a novel point cloud registration method, i.e., QuadricsReg, which leverages concise quadrics primitives to represent scenes and utilizes their geometric characteristics to establish correspondences for 6-DoF transformation estimation. As a symbolic feature, the quadric representation fully captures the primary geometric characteristics of scenes, which can efficiently handle the complexity of large-scale point clouds. The intrinsic characteristics of quadrics, such as types and scales, are employed to initialize correspondences. Then we build a multi-level compatibility graph set to find the correspondences using the maximum clique on the geometric consistency between quadrics. Finally, we estimate the 6-DoF transformation using the quadric correspondences, which is further optimized based on the quadric degeneracy-aware distance in a factor graph, ensuring high registration accuracy and robustness against degenerate structures. We test on 5 public datasets and the self-collected heterogeneous dataset across different LiDAR sensors and robot platforms. The exceptional registration success rates and minimal registration errors demonstrate the effectiveness of QuadricsReg in large-scale point cloud registration scenarios. Furthermore, the real-world registration testing on our self-collected heterogeneous dataset shows the robustness and generalization ability of QuadricsReg on different LiDAR sensors and robot platforms. The codes and demos will be released at \url{https://levenberg.github.io/QuadricsReg}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google