[論文レビュー] CASSPR: Cross Attention Single Scan Place Recognition

Yan Xia, Mariia Gladkova+5 more|arXiv (Cornell University)|Nov 22, 2022

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

CASSPRは、ポイントベースとボクセルベースの特徴を統合するクロスアテンショントランスフォーマー・ネットワークを提案する。単一スキャンLiDARでの場所認識において、局所的な幾何的精度とマルチスケールの空間的文脈を融合し、最先端の性能を達成。TUMデータセットではトップ1での平均リCALLが85.6%に達し、先行手法を約15%上回る。

ABSTRACT

Place recognition based on point clouds (LiDAR) is an important component for autonomous robots or self-driving vehicles. Current SOTA performance is achieved on accumulated LiDAR submaps using either point-based or voxel-based structures. While voxel-based approaches nicely integrate spatial context across multiple scales, they do not exhibit the local precision of point-based methods. As a result, existing methods struggle with fine-grained matching of subtle geometric features in sparse single-shot Li- DAR scans. To overcome these limitations, we propose CASSPR as a method to fuse point-based and voxel-based approaches using cross attention transformers. CASSPR leverages a sparse voxel branch for extracting and aggregating information at lower resolution and a point-wise branch for obtaining fine-grained local information. CASSPR uses queries from one branch to try to match structures in the other branch, ensuring that both extract self-contained descriptors of the point cloud (rather than one branch dominating), but using both to inform the output global descriptor of the point cloud. Extensive experiments show that CASSPR surpasses the state-of-the-art by a large margin on several datasets (Oxford RobotCar, TUM, USyd). For instance, it achieves AR@1 of 85.6% on the TUM dataset, surpassing the strongest prior model by ~15%. Our code is publicly available.

研究の動機と目的

• 点群が疎な単一スキャンLiDARスキャンにおける細粒度の幾何的マッチングの課題に対処する。既存手法は量子化損失と限られた文脈により困難を抱える。
• 3次元場所認識において、局所的精度（ポイントベース）とマルチスケールの空間的文脈（ボクセルベース）のトレードオフを克服する。
• 高密度で事前にキャプチャされたポイントクラウド地図に依存せずに、単一の疎なLiDARスキャンからの耐障害性の高い場所認識を可能にする。
• 階層的クロスアテンションを用いて、2本の並列ブランチから得られる補完的特徴を統合することで、グローバル記述子の質を向上させる。
• 現実的な単一スキャン条件下で、ベンチマークデータセットにおいて最先端の性能を達成する。

提案手法

• 疎なボクセルブランチ（マルチスケールの空間的文脈用）とポイントワイズブランチ（局所的な幾何的詳細用）の二重ブランチアーキテクチャを提案する。
• 1つのブランチのクエリを用いて、階層的クロスアテンショントランスフォーマー（HCAT）により他方のブランチのキー特徴にアテンションを適用し、双方向の特徴統合を実現する。
• 両ブランチが自己完結的な記述子を学習できるようにし、一方が出力を支配しないように、クロスアテンションで互いに情報を供給する。
• 各畳み込み層の後に軽量自己アテンション（LSA）ユニットを統合し、グローバルな認識力と長距離依存性のモデル化を強化する。
• ハッシュテーブルベースの実装（例：Minkowski Engine）を用いたスパース3次元畳み込みを活用し、ボクセル化特徴を効率的に処理する。
• 対照的損失を用いてエンドツーエンドに訓練し、場所認識のためのグローバル記述子を最適化する。

実験結果

リサーチクエスチョン

• RQ1 クロスアテンション機構は、単一スキャンLiDAR環境におけるポイントベースとボクセルベースの特徴を効果的に統合し、場所認識性能を向上させることができるか？
• RQ2 提案手法は、ボクセル化に起因する量子化損失をどれほど軽減できるか。同時に、細粒度の幾何的詳細は保持できるか？
• RQ3 Oxford RobotCar、TUM、USydといった標準ベンチマークにおいて、CASSPRの性能は、SOTA手法と比較してどの程度優れているか？（単一スキャン条件下）
• RQ4 提案アーキテクチャにおいて、性能と効率のバランスを最適化するための軽量自己アテンションユニットの最適数は何か？
• RQ5 CASSPRは、特にスパースまたは限られた範囲のLiDARスキャン条件下でも、どの程度の耐障害性を示すか？

主な発見

• TUMデータセットでは、CASSPRはトップ1での平均リCALLが85.6%に達し、最も強力な先行モデルを約15%上回る。
• Oxford RobotCarデータセットでは、6つの軽量自己アテンションユニットを用いてAR@1が94.7%を達成し、最適なグローバル認識を示した。
• LiDARスキャン範囲の変動に対しても強固な性能を維持し、最大20m範囲ではAR@1が77.7%に低下するが、40m以降は85%以上で安定する。
• KITTIオドメトリーベンチマークでは、シーケンス00で97.9%のAR@1、シーケンス08で0.30のF1スコアを達成し、ループクロージャ検出において先行手法を上回った。
• アブレーションスタディにより、6つの軽量自己アテンションユニットが最良の性能をもたらすことが確認され、完全なアテンション統合がグローバル文脈モデリングを強化することが示された。
• CASSPRは量子化損失に対して耐性を示し、スパースな単一スキャン入力でも高い精度を維持する。これは、実世界への展開に適した設計であることを裏付けた。