[論文レビュー] PCR-Pro: 3D Sparse and Different Scale Point Clouds Registration and Robust Estimation of Information Matrix For Pose Graph SLAM

M. Usman Maqbool Bhutta, Ming Liu|arXiv (Cornell University)|Aug 29, 2018

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

PCR-Pro は、キーフレームに基づくポーズ最適化を用いて正確な変換およびスケール差を推定することで、スパースかつマルチスケールの点群登録に対して耐障害性の高い手法を提案する。本手法はグローバル収束を達成し、ポーズグラフSLAMにおける信頼性の高い情報行列推定のための最小分散を実現する。

ABSTRACT

For both indoor and outdoor environments, we propose an efficient and novel method for different scales and sparse 3D point clouds registration that cannot be handled by the current popular ICP approaches. Our algorithm efficiently detects the scale difference between point clouds and uses the keyframes to estimate the relative pose for calculating the scale difference. The algorithm applies a filter and computes the final transformation which coverages to a global minimum. The good estimation of transform and scale helps in the calculation of the covariance matrix using a closed form solution efficiently. This covariance between point clouds helps in the estimation of information matrix for pose-graph SLAM.

研究の動機と目的

• 現在の ICP 法が効果的に処理できないスパースかつマルチスケールの3次元点群登録の課題に対処すること。
• スケール差の事前知識がなくても、点群間の正確な変換およびスケール推定を可能にすること。
• 点群登録におけるグローバル収束を達成し、推定不確実性を最小限に抑えること。
• ポーズグラフSLAMにおける信頼性の高い情報行列計算を支援するため、共分散行列の閉形式解を提供すること。
• スケールやスパarsityが不一致である多様なセンサーやカメラシステムからのデータ統合を可能にし、マルチエージェントSLAMシステムを支援すること。

提案手法

• キーフレームを用いて、相対ポーズ推定によりソース点群とターゲット点群間のスケール差を検出する。
• 照合対応を精緻化するためのフィルタリング機構を適用し、グローバル最小値への収束を向上させる。
• 点対点誤差関数を用いた反復最適化（ICP）を採用し、変換誤差を最小化する。
• ICP目的関数の2階微分（ヘッセ行列）から導出される共分散行列を6×6で推定する。
• ポーズグラフ最適化における使用を想定し、推定された共分散行列の逆行列として情報行列を計算する。
• 計算時間を短縮しつつ推定精度を維持するため、対応関係の閾値制御を実装する。

実験結果

リサーチクエスチョン

• RQ1 標準的な ICP が失敗するような、顕著なスケール差とスパarsityを有する3次元点群を、どのように正確に登録できるか？
• RQ2 スパース点群においてもグローバル最小値に収束する、耐障害性の高い変換およびスケール推定手法を開発可能か？
• RQ3 ポーズグラフSLAMにおける使用を想定した、変換の共分散行列を効率的かつ正確に推定する方法は何か？
• RQ4 低共分散が情報行列およびその後続のポーズグラフ最適化に与える影響は何か？
• RQ5 提案手法は、スケールが不一致である多様なセンサーデータと、不均一なスパarsityを持つカメラシステムを統合できるか？

主な発見

• PCR-Pro は、点群のスパarsityやスケール差に関係なく、屋内および屋外環境においてグローバル最小値に収束することが確認された。
• 高い精度の変換推定により、推定された共分散行列は一貫して小さく、ポーズ整合の不確実性が低いことを示している。
• 共分散行列の逆行列から導出された情報行列は極めて信頼性が高く、ポーズグラフ最適化において単位行列に大きな重みを付けることが可能である。
• 対応関係の閾値制御戦略により、計算コストを低く保ちつつ効率性を向上させ、精度を損なわない。
• LSD-SLAM データセットを用いた検証により、スケールやスパarsityが異なる多様な実世界シナリオにおいても、強固な性能を示した。
• 本手法により、異なるセンサーやシステムからの点群統合が効果的に可能となり、マルチエージェントSLAMアプリケーションを支援できる。