[論文レビュー] AlignNet-3D: Fast Point Cloud Registration of Partially Observed Objects

Johannes Größ, Aljoša Ošep+1 more|arXiv (Cornell University)|Oct 10, 2019

Robotics and Sensor-Based Localization参考文献 50被引用数 19

ひとこと要約

AlignNet-3D は、LiDAR スキャン間の相対的変換を予測するシアンプス型ニューラルネットワークを用いて、部分的に観測された対象物の高速かつ高精度な 3D ポイントクラウド登録を実現する深層学習ベースの手法を提案する。時間的ギャップが大きく、点群密度が変動する状況下でも、ICP やグローバル登録手法を上回る精度と効率性を示し、最先端のベースラインと比較して速度推定誤差が低くなる。

ABSTRACT

Methods tackling multi-object tracking need to estimate the number of targets in the sensing area as well as to estimate their continuous state. While the majority of existing methods focus on data association, precise state (3D pose) estimation is often only coarsely estimated by approximating targets with centroids or (3D) bounding boxes. However, in automotive scenarios, motion perception of surrounding agents is critical and inaccuracies in the vehicle close-range can have catastrophic consequences. In this work, we focus on precise 3D track state estimation and propose a learning-based approach for object-centric relative motion estimation of partially observed objects. Instead of approximating targets with their centroids, our approach is capable of utilizing noisy 3D point segments of objects to estimate their motion. To that end, we propose a simple, yet effective and efficient network, \method, that learns to align point clouds. Our evaluation on two different datasets demonstrates that our method outperforms computationally expensive, global 3D registration methods while being significantly more efficient. We make our data, code, and models available at https://www.vision.rwth-aachen.de/page/alignnet.

研究の動機と目的

• 近接距離の自動運転状況において、粗い近似が深刻な失敗を引き起こす可能性があるため、複数対象物トラッキングにおける正確な 3D 動作推定の欠如に取り組むこと。
• 重心やバウンディングボックスではなく、完全な 3D ポイントセグメントを活用する学習ベースのアプローチを開発し、連続する LiDAR スキャン間の相対的運動推定を高精度で行うこと。
• 大きな時間的ギャップ、変動する点群密度、部分的観測に対応できる、頑健で効率的かつ汎用性の高いオブジェクト中心の 3D 登録手法を構築すること。
• 合成データおよび実世界データの両方で手法を評価し、KITTI のような実際の LiDAR シーケンスへの一般化能力を示すこと。
• 将来的な 3D ポイントクラウド登録および運動推定分野の研究を支援するため、公開可能なコードベースとデータセットを提供すること。

提案手法

• 2つの連続する時刻からのポイントクラウドを処理するため、シアンプス型ニューラルネットワークアーキテクチャを採用し、各ポイントクラウドに対して共有表現を学習する。
• ネットワークはまず、両方のポイントクラウドを初期アライメントや視点変化に対して感受性が低い標準化された、モーダルでないポーズに変換する。
• ポイントクラウドの埋め込み表現を連結し、多層パーセプトロンを通過させて、2つのスキャン間の相対的変換（並進と回転）を予測する。
• 合成データ上で予測値と真値の変換差を最小化する損失関数を用いて、エンド・ツー・エンドでネットワークを訓練する。
• GPU の並列処理を活用して推論速度を最適化し、バッチサイズ 32 の場合に 1 回の変換あたり約 1.22ms の高速処理を達成している。
• ModelNet40 の CAD モデルから合成データセットを生成し、LiDAR のポイントサンプリング特性を模擬することで、制御された条件下でモデルの学習と評価を実施している。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのアプローチは、部分的に観測された対象物の 3D ポイントクラウド登録において、古典的手法（ICP やグローバル登録）を上回る高い精度を達成できるか？
• RQ2 本手法は、実世界の LiDAR シーケンスにおける大きな時間的ギャップや変動する点群密度に対してどれほど頑健か？
• RQ3 学習可能な登録ネットワークは、ADH [16] などの最先端の運動推定ベースラインを、速度推定精度の面で上回れるか？
• RQ4 合成学習データから得たネットワークは、実世界の KITTI トラックイングシーケンスへの一般化がどの程度可能か？
• RQ5 本手法は、自動車の周辺認識システムにおけるリアルタイム応用に十分な効率性を備えているか？

主な発見

• KITTI トラックイングデータセットにおいて、AlignNet-3D は距離が 80m 未満で 10 フレーム以上のギャップがある難易度の高いケースで、2cm 1° の登録精度を達成する成功率が 14.48% に達し、ICP や FGR の変種を大きく上回った。
• KITTITrackletsCarsHard セットにおいて、並進の RMSE を 0.48m まで低減し、回転の RMSE を 31.08° まで低下させた。グローバル ICP や FGR はそれぞれ 38.34m と 70.78° の RMSE を示しており、本手法が顕著に優れている。
• 速度推定において、距離 5m 未満の条件下で RMSE が 0.732m/s に達し、ADH 3D（1.002m/s）と重心ベースのカルマンフィルタ（1.604m/s）を上回った。
• 計算効率が高く、バッチサイズ 32 の GPU で 1 回の変換あたり約 1.22ms の処理時間を達成しており、リアルタイムトラッキング応用に適している。
• 時間的ギャップが大きくなっても、AlignNet-3D は頑健な性能を維持し、KITTITrackletsCarsPersonsHard において 20cm 10° の閾値で 11.16% の成功率を示した。一方、ICP や FGR は完全に失敗した。
• ネットワークは実世界データへの一般化がうまくいっており、計算コストの高いグローバル登録手法と同等の性能を達成しながら、はるかに高速である。