[論文レビュー] Hidden Markov Random Field Iterative Closest Point

John Stechschulte, Christoffer Heckman|arXiv (Cornell University)|Nov 7, 2017

Robotics and Sensor-Based Localization参考文献 33被引用数 3

ひとこと要約

本稿では、反復一致点（ICP）アルゴリズムの拡張として、ガウス・ミックスチャネル・モデルを用いて深度マップ内のインライアーやアウ tiers 状態をモデル化する隠れマルコフ・ランダムフィールド（HMRF）を提案する。EM推論を用いて隠れ状態を推定する。本手法は、低オーバーラップ状況下でも登録精度と収束速度を向上させ、36%のオーバーラップ条件下で0.04 m未満の変位誤差と0.2 rad未満の回転誤差を達成し、標準ICPおよび他のアウ tiers 排除手法を上回る性能を発揮する。

ABSTRACT

When registering point clouds resolved from an underlying 2-D pixel structure, such as those resulting from structured light and flash LiDAR sensors, or stereo reconstruction, it is expected that some points in one cloud do not have corresponding points in the other cloud, and that these would occur together, such as along an edge of the depth map. In this work, a hidden Markov random field model is used to capture this prior within the framework of the iterative closest point algorithm. The EM algorithm is used to estimate the distribution parameters and the hidden component memberships. Experiments are presented demonstrating that this method outperforms several other outlier rejection methods when the point clouds have low or moderate overlap.

研究の動機と目的

• 低オーバーラップ状況下におけるICPの性能劣化、特に非オーバーラップ領域に構造的アウ tiers が存在する場合の課題に対処すること。
• 空間的文脈を活用して耐性を高めるために、深度マップにおけるインライアーやアウ tiers 状態を隠れマルコフ・ランダムフィールド（HMRF）としてモデル化すること。
• 平均場近似を用いたEMアルゴリズムを用いて、隠れインライアーオンライン状態を推定し、混合モデルのパラメータを推定すること。
• 低オーバーラップ領域において、標準ICPおよび他のアウ tiers 排除技術と比較して、より高い登録精度とより速い収束速度を達成できることを示すこと。
• より高い耐性を持つアライメントを実現することで、部分的スキャンからの3次元再構築をより効率的に行えるように、必要なスキャン回数を減らすこと。

提案手法

• 観測距離（自由点群の固定点群への最近接距離）を、インライアーモードとアウ tiers モードの2成分からなるガウス・ミックスチャネルとしてモデル化する。
• 隠れマルコフ・ランダムフィールド（HMRF）が空間的依存関係を符号化し、各ピクセルの状態（インライアーオンライン）が周囲のピクセルにPotts型ポテンシャルによって影響を受ける。
• EMアルゴリズムを推論に用いる：Eステップでは平均場近似を用いて隠れ状態の事後確率を推定し、Mステップでは混合モデルのパラメータを更新する。
• HMRFモデルは一様事前分布で初期化され、最初のICP反復前に370回のEMステップを繰り返し、段階的に最適化される。
• ICPは、推定されたインライアーピクセルのみを用いて実行され、SVDに基づく閉形式解を用いて点対点距離の二乗和を最小化する。
• 本手法は2次元グリッド構造（例：構造化光またはステレオセンサからのもの）を仮定し、隣接関係は4近傍グリッドで定義される。

実験結果

リサーチクエスチョン

• RQ1 空間的文脈をインライアーオンライン状態に組み込むことで、確率的HMRFモデルが低オーバーラップ状況下のICP性能を向上させられるか？
• RQ2 平均場近似を用いたEM推論が、しきい値ベースや固定比率のアウ tiers 排除と比較して、より正確で耐性のあるインライアーオンライン検出を可能にするか？
• RQ3 さまざまなオーバーラップレベルにおいて、HMRF-ICPは標準ICPおよび他のアウ tiers 排除手法と比較して、収束速度と変換精度の点で優れているか？
• RQ4 36%オーバーラップのようなスパースなインライアーデータ分布において、HMRFモデルは発散することなく適応的に機能するか？
• RQ5 オクルージョンや欠損データを伴う構造的深度マップにおいて、空間的事前分布がアウ tiers 抑制に与える影響は何か？

主な発見

• 36%オーバーラップ条件下で、HMRF-ICPは0.017 mの変位誤差と0.0776ラジアンの回転誤差を達成し、他の手法を著しく上回った。
• シャークシーケンスでは、全オーバーラップレベルで低誤差（最大0.036 mの変位、0.196ラジアンの回転）を維持し、特に低オーバーラップ状況で収束が速かった。
• デスクシーケンスでは、20%未満のオーバーラップで性能が低下し、最大で1.55 m（変位）および1.97ラジアン（回転）の誤差を示した。これは極端な低オーバーラップ状況における限界を示している。
• HMRFモデルは、370回のEM反復後、初期のアウ tiers 推定値を62%から20%にまで低下させ、アライメントの安定性を著しく向上させた。
• HMRF-ICPはオーバーラップが減少しても性能劣化が最小限に抑えられ、他の手法が遅延または発散するのとは対照的に、スパースデータ領域でも耐性を示した。
• 低オーバーラップ状況下で、EM推定によるインライアーピクセル集合が局所最適解からの発散を回避したため、標準ICPよりも収束が速かった。