[論文レビュー] AA-ICP: Iterative Closest Point with Anderson Acceleration

Artem L. Pavlov, George Ovchinnikov+3 more|arXiv (Cornell University)|Sep 16, 2017

Robotics and Sensor-Based Localization参考文献 11被引用数 13

ひとこと要約

この論文では、収束を高速化するためにアンダーソン加速を用いた、反復最密対応（ICP）アルゴリズムの高速化版であるAA-ICPを提案する。歴史的反復履歴を活用して、低コストの最小二乗最適化により次回の更新を計算することで、実世界の3次元データセットにおいて反復回数を30%以上削減するとともに、最終的な登録精度を平均で0.3%向上させた。コード変更は最小限で、計算オーバーヘッドもほとんどない。

ABSTRACT

Iterative Closest Point (ICP) is a widely used method for performing scan-matching and registration. Being simple and robust method, it is still computationally expensive and may be challenging to use in real-time applications with limited resources on mobile platforms. In this paper we propose novel effective method for acceleration of ICP which does not require substantial modifications to the existing code. This method is based on an idea of Anderson acceleration which is an iterative procedure for finding a fixed point of contractive mapping. The latter is often faster than a standard Picard iteration, usually used in ICP implementations. We show that ICP, being a fixed point problem, can be significantly accelerated by this method enhanced by heuristics to improve overall robustness. We implement proposed approach into Point Cloud Library (PCL) and make it available online. Benchmarking on real-world data fully supports our claims.

研究の動機と目的

• モバイル機器やリソース制限のあるプラットフォームでのリアルタイム利用を想定し、反復最密対応（ICP）アルゴリズムの高速化を図ること。
• 標準的なICPがピカード反復に依存しており、実用上計算コストが高いため、収束が遅いという問題を解決すること。
• 既存のICPパイプラインを変更せず、微分情報も必要とせずにアンダーソン加速をICPに統合すること。
• 固定点法の理論的仮定を満たさない実世界データにおいても、ICPのロバストネスと収束品質を向上させること。
• Point Cloud Library（PCL）内に実装された実用的でオープンソースのAA-ICPを提供し、広範な採用を促進すること。

提案手法

• ICPを固定点問題 u = G(u) として再定式化し、Gは変換更新マッピングを表す。
• 標準的なピカード反復（u^{k+1} = G(u^k)）に代えて、アンダーソン加速を適用し、直近の反復値と残差の線形結合によって次回の反復値を計算する。
• 直近m+1回の反復を対象として低次元の最小二乗最適化を実行し、残差誤差を最小化する次回の更新を計算する。
• 実世界データにおけるロバストネスを向上させるためのヒューリスティクスを導入し、例えば適応的メモリサイズやダミング戦略を採用する。
• Point Cloud Library（PCL）内に実装し、既存のICPコードベースとの後方互換性を保証する。
• 2次元および3次元ICPの両方のバリアントに適用し、RGB-Dおよびレーザースキャナデータセットを用いて評価する。

(a) $n=1$

実験結果

リサーチクエスチョン

• RQ1 アンダーソン加速は、ICPの収束に必要な反復回数を顕著に削減できるか？
• RQ2 同じ収束閾値のもとで、AA-ICPは標準的なICPに比べて最終的な登録精度を向上させるか？
• RQ3 初期の不整合度（回転/平行移動）の異なるレベルにおいて、AA-ICPの性能はどのように変化するか？
• RQ4 収束基準（ε）の影響は、AA-ICPが達成するスピードアップにどのような影響を与えるか？
• RQ5 AA-ICPは、最小限のコード変更と低ランタイムコストで、既存のICPパイプラインに効率的に統合可能か？

主な発見

• RGB-Dデータセットでは中央値で35%のスピードアップを達成し、中程度の不整合があるスタンフォード・バニーのスキャンでは最大35%のスピードアップを示した。
• 90%以上のAA-ICP実行が標準的なICPよりも速く収束し、すべてのテスト環境で反復回数が顕著に削減された。
• 最終的な登録誤差は平均で0.3%向上し、平均では0.4%向上した。97%以上の実行で標準的なICPよりも低い誤差が達成された。
• 収束基準が厳しくなる（εが小さくなる）ほどスピードアップが増大し、高精度な結果が求められる状況でAA-ICPが最も効果的であることが示された。
• さまざまな不整合度において一貫した加速効果を示し、5°の回転と2.5cmの平行移動でピークに達し、約35%のスピードアップが安定した。
• 実装は軽量であり、PCLに完全に統合されており、ランタイムコストは最小限で、微分計算やアルゴリズムの大幅な再設計も不要である。

(b) $n=2$