[論文レビュー] Nonparametric Continuous Sensor Registration

William Clark, Maani Ghaffari+1 more|arXiv (Cornell University)|Jan 8, 2020

Robotics and Sensor-Based Localization参考文献 66被引用数 8

ひとこと要約

本論文は、再生成カーネルヒルバート空間（RKHS）における関数としてセンサデータをモデル化することで、連続的かつ非パrametricなセンサ登録フレームワークを提案する。これにより、幾何的および意味的表現を統合的に扱える。リー群の作用と閉形式で表現される勾配およびヘッセ行列を用いたリーマン最適化により、解像度に依存しない登録が実現され、テクスチャが乏しいRGB-D環境において、最先端のビジュアルオドメトリを上回る性能を発揮する。

ABSTRACT

This paper develops a new mathematical framework that enables nonparametric joint semantic and geometric representation of continuous functions using data. The joint embedding is modeled by representing the processes in a reproducing kernel Hilbert space. The functions can be defined on arbitrary smooth manifolds where the action of a Lie group aligns them. The continuous functions allow the registration to be independent of a specific signal resolution. The framework is fully analytical with a closed-form derivation of the Riemannian gradient and Hessian. We study a more specialized but widely used case where the Lie group acts on functions isometrically. We solve the problem by maximizing the inner product between two functions defined over data, while the continuous action of the rigid body motion Lie group is captured through the integration of the flow in the corresponding Lie algebra. Low-dimensional cases are derived with numerical examples to show the generality of the proposed framework. The high-dimensional derivation for the special Euclidean group acting on the Euclidean space showcases the point cloud registration and bird's-eye view map registration abilities. An implementation of this framework for RGB-D cameras outperforms the state-of-the-art robust visual odometry and performs well in texture and structure-scarce environments.

研究の動機と目的

• テクスチャが乏しいまたは構造が乏しい環境におけるセンサ登録の課題に対処し、センサデータの連続的かつ非パrametricな表現を可能にする。
• センサ測定値における幾何的および意味的（例：外観）情報を統合的にモデル化する統一フレームワークを構築する。
• センサデータを離散的サンプルではなく連続関数としてモデル化することで、解像度に依存しない登録を実現する。
• リー群上のリーマン最適化を用いて登録問題を定式化し、勾配およびヘッセ行列の閉形式表現を導出する。
• 理論的導出とRGB-Dカメラおよび点群を用いた実験的検証を通じて、フレームワークの汎用性と頑健性を実証する。

提案手法

• センサ測定値を再生成カーネルヒルバート空間（RKHS）における連続関数として表現し、幾何的および外観的要因の両方の非パrametricモデリングを可能にする。
• ドメイン多様体上のリー群（例：SE(3)）の連続的作用を関数のアライメントに用い、群の作用は対応するリー代数における流れの積分として表現する。
• 群作用下での2つのRKHS関数間の内積を最大化する形で登録問題を定式化し、リーマン最適化問題に帰着させる。
• 微分幾何学およびリー群理論を用いて、目的関数のリーマン勾配およびヘッセ行列の閉形式表現を導出する。
• リーマン指数写像を用いた効率的な最適化を可能にするために、Euler-Poincaré方程式を用いてリー群上の測地線を記述する。
• C++を用いてリアルタイムのRGB-Dビジュアルオドメトリに実装し、解析的ヘッセ行列を活用することで収束性と頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 RKHSにおけるセンサデータの非パrametricかつ連続的表現は、離散的信号サンプリングに依存せずに、幾何的および意味的登録を可能にするか？
• RQ2 リー群の作用を、解像度に依存しないセンサ登録を達成するリーマン最適化フレームワークに体系的に統合する方法は何か？
• RQ3 この連続的登録設定におけるリーマン勾配およびヘッセ行列の閉形式表現は何か？ そして、それらはどのように効率的な最適化を可能にするか？
• RQ4 本手法は、テクスチャが乏しく構造が乏しい環境において、最先端のビジュアルオドメトリをどの程度上回るか？
• RQ5 特殊ユークリッド群を用いて、点群やオールドアイビュー地図の登録といった高次元設定へ、このフレームワークを一般化できるか？

主な発見

• 提案フレームワークは、特にテクスチャが乏しく構造が乏しい環境において、RGB-Dビジュアルオドメトリ分野で最先端の性能を達成した。
• リーマンヘッセ行列の閉形式導出により、より正確で安定した最適化が実現され、ポーズ推定の信頼性が向上した。
• 低次元ケースにおける数値例は、異なる多様体および群の設定において、フレームワークの汎用性と頑健性を確認した。
• SE(3)に関する高次元導出は、点群登録およびオールドアイビュー地図登録への成功した応用を示した。
• 実装はDVO（Direct Visual Odometry）を上回り、環境の困難さを考慮した際の手法の頑健性と効率性を実証した。
• オープンソースコードは公開されており、ロボット工学およびコンピュータビジョン分野における再現性とさらなる拡張が可能である。