[論文レビュー] LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud

Yunge Cui, Yinlong Zhang+4 more|arXiv (Cornell University)|Jun 13, 2022

Robotics and Sensor-Based Localization被引用数 7

ひとこと要約

LinK3Dは、キーポintsをその頑健な近隣キーポイントによって記述する、新しい3次元LiDAR点群特徴表現を提案する。これにより、高精度かつリアルタイムな特徴マッチングが可能となる。64ビームLiDARにおいて、30msの特徴抽出と20msのマッチングを達成し、スパースで大規模なシーンにおいて、従来手法を凌駕する効率性と頑健性を示した。

ABSTRACT

Feature extraction and matching are the basic parts of many robotic vision tasks, such as 2D or 3D object detection, recognition, and registration. As is known, 2D feature extraction and matching have already achieved great success. Unfortunately, in the field of 3D, the current methods may fail to support the extensive application of 3D LiDAR sensors in robotic vision tasks due to their poor descriptiveness and inefficiency. To address this limitation, we propose a novel 3D feature representation method: Linear Keypoints representation for 3D LiDAR point cloud, called LinK3D. The novelty of LinK3D lies in that it fully considers the characteristics (such as the sparsity and complexity) of LiDAR point clouds and represents the keypoint with its robust neighbor keypoints, which provide strong constraints in the description of the keypoint. The proposed LinK3D has been evaluated on three public datasets, and the experimental results show that our method achieves great matching performance. More importantly, LinK3D also shows excellent real-time performance, faster than the sensor frame rate at 10 Hz of a typical rotating LiDAR sensor. LinK3D only takes an average of 30 milliseconds to extract features from the point cloud collected by a 64-beam LiDAR and takes merely about 20 milliseconds to match two LiDAR scans when executed on a computer with an Intel Core i7 processor. Moreover, our method can be extended to LiDAR odometry task, and shows good scalability. We release the implementation of our method at https://github.com/YungeCui/LinK3D.

研究の動機と目的

• 大規模なシーンからのスパースで不規則的かつ複雑な点群を扱う際、既存の3次元LiDAR特徴手法の限界を克服すること。
• 現在のハンドクラフトおよび学習ベースの3次元特徴抽出技術における記述不足と非効率性を解消すること。
• ロボットビジョンタスクに適した高周波LiDARセンサ（≥10Hz）におけるリアルタイム性能を実現すること。
• 局所的近傍制約を活用することで、繰り返し構造（例：平面、柱）や動的物体を含むシーンにおけるマッチング精度を向上させること。
• LiDARオドメトリーやSLAMシステムを含む下流タスクへのスケーラビリティを実証すること。

提案手法

• 幾何的クラスタリング戦略を用いて、スパースな3次元LiDAR点群から頑健な集約キーポイントを抽出する。
• 近隣キーポイントの空間的配置を線形かつ不変の記述子として符号化することで、各キーポイントを記述する。
• 近隣キーポイントの相対的位置に基づいて、回転および平行移動に不変なコンactなベクトルとして記述子を定式化する。
• LiDARオドメトリにおけるスキャン間登録に、SVDに基づくソリューションを用い、従来のICPをLinK3Dマッチド特徴で置き換える。
• A-LOAMのフロントエンドにLinK3Dを統合し、オドメトリを実行するが、LinK3Dマッチングに失敗した場合には元のA-LOAMにフォールバックする。
• CPU上で低遅延実行を最適化し、標準的なハードウェアでもリアルタイム性能を達成するようにパイプラインを最適化する。

実験結果

リサーチクエスチョン

• RQ1 局所的近傍幾何構造に基づくハンドクラフト3次元特徴記述子は、スパースなLiDAR点群において高精度なマッチングを達成できるか？
• RQ2 提案手法であるLinK3Dは、マッチング精度とリアルタイム効率の両面で、従来のハンドクラフトおよび深層学習ベースの手法を上回るか？
• RQ3 エッジ特徴が限られる未構造的シーン（例：高速道路、森林）において、LinK3Dはどれほど頑健か？
• RQ4 LinK3Dは、LiDARオドメトリーシステムに効果的に統合可能で、計算負荷を低減しつつ高い精度を維持できるか？
• RQ5 16ビーム、32ビーム、64ビームの異なるLiDARビーム数および多様な実世界シーンにおいて、記述子はどれほど一般化可能か？

主な発見

• Intel Core i7プロセッサを用いた64ビームLiDARにおいて、LinK3Dは平均30ミリ秒の特徴抽出時間と20ミリ秒のマッチング時間を達成した。
• KITTI 09（森林シーン）では99.9%、KITTI 02（森林）では97.6%、KITTI 01（高速道路）では88.6%の有効対応点がマッチングされ、構造的シーンにおける強力な性能を示した。
• LinK3Dを用いたLiDアドメトリは、KITTIデータセットで平均変位誤差1.24、回転誤差0.37を達成し、CLS や LOAM などの最先端手法と同等の性能を示した。
• CPU上で実行されているにもかかわらず、DNNベースのアプローチを凌駕する推論速度を示し、同様のデータセットにおいてGPUアクセラレートモデルよりも高速な実行時間を達成した。
• A-LOAMオドメトリパイプラインへの統合において、最小限の変更で成功裏に埋め込みが可能であり、故障時のフォールバックサポートも実装された。
• 記述子はスパarsityおよびノイズに対して頑健であり、動的物体やオクルージョンが存在するシーンでも高い精度を維持した。