[論文レビュー] NDD: A 3D Point Cloud Descriptor Based on Normal Distribution for Loop Closure Detection

Ruihao Zhou, Li He+3 more|arXiv (Cornell University)|Sep 26, 2022

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

本稿では、LiDARベースのループ閉じる検出のための新しい3次元点群グローバル記述子である正規分布記述子（NDD）を提案する。NDDは、点群の確率密度スコアとエントロピーを符号化する。相関係数類似度と行ベクトル変換による高速回転アライメントを活用することで、KITTIおよびMulranデータセットにおいて、0.896のF1スコアと72msの合計時間コストを達成し、既存手法を上回る最先端の正確性と効率性を実現した。

ABSTRACT

Loop closure detection is a key technology for long-term robot navigation in complex environments. In this paper, we present a global descriptor, named Normal Distribution Descriptor (NDD), for 3D point cloud loop closure detection. The descriptor encodes both the probability density score and entropy of a point cloud as the descriptor. We also propose a fast rotation alignment process and use correlation coefficient as the similarity between descriptors. Experimental results show that our approach outperforms the state-of-the-art point cloud descriptors in both accuracy and efficency. The source code is available and can be integrated into existing LiDAR odometry and mapping (LOAM) systems.

研究の動機と目的

• 3次元LiDARループ閉じる検出における、方向依存性の問題と計算効率の低さという、既存グローバル記述子の限界を解消すること。
• 深層学習や複雑なクラスタリングを必要とせず、点群の局所的分布および構造的性質を捉える手作業記述子を構築すること。
• コサイン類似度の代わりに相関係数を採用し、高速回転アライメント手法を導入することで、マッチング正確性とリトリーブ速度を向上させること。
• 実時間デプロイメントに適した低計算コストを維持しながら、標準ベンチマークで高いパフォーマンスを達成すること。

提案手法

• NDDは、局所的点群ネighborhoodにフィットした正規分布モデルから導出される確率密度スコア（P）とエントロピー（E）の2スケール統計を用いて、3次元点群を符号化する。
• 全記述子を1×Nsの行ベクトルに変換することで、相関係数による高速類似度計算が可能となり、従来のコサイン類似度が置き換えられる。
• 列方向のシフトを伴う行ベクトル比較により、行列ベースの比較と比較して著しく短縮された、新規な高速回転アライメント戦略が提案されている。
• グリッドベースの投影をScan Contextと同様に使用し、20×60の解像度を採用。スケールおよび解像度の変化に強い高さベースの符号化を用いる。
• リトリーブ速度を向上させるためにキーフレーム探索戦略が採用され、全記述子比較と比較して平均時間コストを99%削減した。
• 記述子間の類似度として相関係数が使用されており、マッチング性能においてコサイン類似度よりも優れていることが示された。

Figure 1: Approach overview. First, one point cloud is divided into cells and one cell is represented by its probability density score and entropy. Then, A vector named searching key is compressed from full descriptor and used to create a KD-tree for retrieving the nearest neighbors. Finally, the re

実験結果

リサーチクエスチョン

• RQ1 点群の統計的性質に基づく手作業記述子が、既存の最先端手法を上回るループ閉じる検出の正確性と効率性を達成できるか？
• RQ2 確率密度スコアとエントロピーを組み合わせることで、視点やノイズの変動に対する記述子のロバスト性がどのように向上するか？
• RQ3 コサイン類似度を相関係数に置き換えることで、実世界のLiDARデータセットにおけるマッチング性能に顕著な改善が見られるか？
• RQ4 提案された高速回転アライメント手法は、正確性を損なわずに計算コストをどの程度低減できるか？
• RQ5 この記述子は、既存のLiDARオドメトリとマッピング（LOAM）システムに効率的に統合可能か？

主な発見

• 提案されたNDD記述子は、KITTI 08データセットで0.896のF1スコアを達成し、すべての1特徴量ベースラインと次に優れた手法（ISC）を3.6ポイント上回った。
• NDDにおける確率密度スコアとエントロピー（P+E）の組み合わせは、最良の単一特徴量手法（P）と比較して13.1%高いF1スコアを達成し、マルチスケール統計符号化の有効性を示した。
• 相関係数類似度を用いることで、コサイン類似度と比較してF1スコアが8.2%、EPが5.4%向上し、マッチング性能における優位性が確認された。
• KITTI 08におけるNDDの合計時間コストは72msであり、IRIS（5533ms）とM2DP（180ms）を大きく下回り、ISC（76ms）と同等の速度ながらはるかに高い正確性を達成した。
• 行ベクトルベースの回転アライメントは、アライメント時間を9.78msにまで短縮し、行列ベース手法と比較して53%、バイナリゼーションベース手法と比較して56%の改善を達成した。
• Mulran Sejong 01データセットでは、キーフレーム探索によりリトリーブ時間を1567msから35msに短縮し、F1スコアの低下はたった0.4%にとどまった。これにより、実用的な効率性が実証された。

Figure 2: Cell division of a BEV representation