[論文レビュー] DeepMapping: Unsupervised Map Estimation From Multiple Point Clouds

Li Ding, Chen Feng|arXiv (Cornell University)|Nov 28, 2018

Robotics and Sensor-Based Localization参考文献 53被引用数 6

ひとこと要約

DeepMappingは、二つの深層ニューラルネットワーク（L-Net と M-Net）をエンド・ツー・エンドで学習する教師なし深層学習フレームワークを提案する。L-Netはポーズ推定を、M-Netはグローバルなシーンの占有状態マッピングを担当する。二値交差エントロピー損失とシャンファード距離損失を用い、シミュレーテッドおよび実データセットにおいて、ICP やマルチウェイ登録ベースラインを上回るロバストで初期化に依存しないグローバル登録を達成する。

ABSTRACT

We propose DeepMapping, a novel registration framework using deep neural networks (DNNs) as auxiliary functions to align multiple point clouds from scratch to a globally consistent frame. We use DNNs to model the highly non-convex mapping process that traditionally involves hand-crafted data association, sensor pose initialization, and global refinement. Our key novelty is that "training" these DNNs with properly defined unsupervised losses is equivalent to solving the underlying registration problem, but less sensitive to good initialization than ICP. Our framework contains two DNNs: a localization network that estimates the poses for input point clouds, and a map network that models the scene structure by estimating the occupancy status of global coordinates. This allows us to convert the registration problem to a binary occupancy classification, which can be solved efficiently using gradient-based optimization. We further show that DeepMapping can be readily extended to address the problem of Lidar SLAM by imposing geometric constraints between consecutive point clouds. Experiments are conducted on both simulated and real datasets. Qualitative and quantitative comparisons demonstrate that DeepMapping often enables more robust and accurate global registration of multiple point clouds than existing techniques. Our code is available at https://ai4ce.github.io/DeepMapping/.

研究の動機と目的

• 任意の初期姿勢から複数の点群をグローバルに整列させる課題に取り組むこと。手作業で特徴を設計する必要も、良い初期化に依存しないこと。
• 非凸的で連続的な登録問題を、深層ニューラルネットワークを用いて微分可能で二値の占有分類タスクに再定式化すること。
• 従来の方法（例：ICP）と比較して、ポーズ初期化にあまり依存しないフレームワークを開発し、よりロバストで正確なグローバル登録を実現すること。
• 3DマッピングやLiDAR SLAMといった幾何ビジョンタスクに、教師なし深層学習を適用する可能性を実証すること。

提案手法

• フレームワークは二つの深層ニューラルネットワークを採用する。L-Netは各入力点群の6自由度（6-DoF）ポーズを推定する。M-Netはグローバルな3次元座標の占有状態を予測し、シーン構造をモデル化する。
• 登録タスクは、M-Netが各3次元座標が占有されているかどうかの確率マップを出力することで、二値分類問題に変換される。これにより勾配ベースの最適化が可能になる。
• 教師なし損失関数として、占有予測における二値交差エントロピー（BCE）と予測点群と真値点群の間のシャンファード距離を用い、教師なしでエンド・ツー・エンドにネットワークを学習する。
• M-Netの3次元グリッドへの点群レイヤーの射影を微分可能サンプリング戦略で行い、占有予測を経由した逆伝播を可能にする。
• トレーニング中に連続する点群間に幾何制約を課すことで、LiDAR SLAMへの拡張が可能になる。
• 最適化は確率的勾配降下法を用い、BCEとシャンファード距離損失の組み合わせにより、システム全体をエンド・ツー・エンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 良い初期姿勢が不要な状態で、教師なしに深層ニューラルネットワークを学習させ、グローバル点群登録問題を解けるか？
• RQ2 複雑で非凸的なマッピングプロセスを、深層学習を用いて微分可能な二値占有分類タスクとして効果的にモデル化できるか？
• RQ3 提案された教師なし学習フレームワークは、従来のICP やマルチウェイ登録と比較して、初期化への感受性と精度の面で優れているか？
• RQ4 シャンファード距離損失の統合により、重複が少ない状況でも登録品質が向上するか？

主な発見

• DeepMappingは、Active Vision Datasetにおける質的結果からも示されるように、ICP やマルチウェイ登録ベースラインに比べて優れた登録精度を達成する。特に重複が少ない状況で顕著である。
• ICP よりも顕著にポーズ初期化に依存しないため、初期アライメントが悪い実世界設定でもよりロバストであることが示された。
• BCE損失に加えてシャンファード距離損失を組み込むことで、点群が疎な領域でも登録精度が向上した。
• Active Vision Datasetでは、ATE（絶対軌道誤差）と点対点距離の両指標において、マルチウェイ登録を上回った。中央値と四分位範囲がともに低かった。
• フレームワークは任意の初期姿勢からの複数点群の登録に成功し、階段や平面構造を含む複雑な屋内シーンの正確な再構築を可能にした。
• 可視化結果から、他の手法が失敗する困難な構造でもDeepMappingが正しくアライメントしていることが確認され、強調された領域にずれがないことが裏付けられた。