[論文レビュー] Probabilistic Combination of Noisy Points and Planes for RGB-D Odometry

Pedro F. Proença, Yang Gao|arXiv (Cornell University)|May 18, 2017

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

本稿では、深度センサの不確実性をモデル化し、幾何的特徴抽出の過程でそれを伝搬させることで、カメラの姿勢を不確実性重み付きの残差を用いて最適化する、RGB-Dカメラ向けの確率的ビジュアルオドメトリ手法を提案する。この手法は、低テクスチャ環境におけるロバスト性を顕著に向上させ、特にfr3/structure_notexture_farシーケンスでは、点のみを用いる手法と比較して相対的並進誤差を30%低減する。

ABSTRACT

This work proposes a visual odometry method that combines points and plane primitives, extracted from a noisy depth camera. Depth measurement uncertainty is modelled and propagated through the extraction of geometric primitives to the frame-to-frame motion estimation, where pose is optimized by weighting the residuals of 3D point and planes matches, according to their uncertainties. Results on an RGB-D dataset show that the combination of points and planes, through the proposed method, is able to perform well in poorly textured environments, where point-based odometry is bound to fail.

研究の動機と目的

• 特徴点が疎になりがちな低テクスチャまたはブラーに起因する室内環境において、点ベースのビジュアルオドメトリが失敗することを解決すること。
• 生のセンサデータから幾何的プリミティブ抽出までの深度測定の不確実性をモデル化し、それを伝搬させることで、姿勢推定の精度を向上させること。
• 3次元点と平面プリミティブを、それぞれの不確実性に応じた重み付けを施した残差を用いて統合的に扱う確率的フレームワークを構築すること。
• 適切に不確実性で重み付けされた平面特徴が、構造光RGB-Dオドメトリのロバスト性を向上させることを示すこと。
• ICPスタイルのアライメントにおいて、ユークリッド距離最小化の代替として、不確実性を考慮した重み付けを導入すること。

提案手法

• RGB画像における2次元点検出にSURF特徴量を用い、キャリブレーション済みの深度値と既知の深度不確実性モデル（σZ = 1.425×10⁻⁶Z² mm）を用いて3次元へのバックプロジェクションを実行する。
• 深度不確実性を組み込んだ重み付き最小二乗法を用いて、平面パラメータ（法線ベクトルと原点からの距離）を推定する。
• カメラ姿勢最適化の代替として、標準的な点対平面距離の代わりに、新規の平面対平面距離測度を提案する。
• 反復的重み付き最小二乗法によるカメラ姿勢最適化を実行し、点と平面からの残差をそれぞれの不確実性でスケーリングして、全体の誤差を最小化する。
• コスト関数における平面残差と点残差の影響を調整するための調整可能なパラメータαを用いる。
• 1次誤差伝搬とヤコビ行列を用いて、深度測定から3次元点および平面推定への不確実性伝搬を導出する。

実験結果

リサーチクエスチョン

• RQ1 確率的フレームワーク内で3次元点と平面プリミティブを統合することで、低テクスチャ環境におけるビジュアルオドメトリの性能が向上するか？
• RQ2 深度センサの不確実性をモデル化することで、RGB-Dオドメトリにおける姿勢推定精度にどのような影響を与えるか？
• RQ3 不確実性重み付き残差の観点から見た場合、点と平面特徴の最適なバランスは何か？
• RQ4 幾何的特徴の不確実性認識型重み付けが、ドリフトを低減し、困難なシーケンスにおけるロバスト性を向上させるか？
• RQ5 新規の平面対平面距離測度は、従来の点対平面手法と比較して、姿勢推定の安定性と精度を向上させるか？

主な発見

• 提案手法の不確実性重み付き点ベースオドメトリは、fr1/deskシーケンスで相対的並進誤差を43 mm/sから38 mm/sに低減し、不確実性モデル化の有効性を示した。
• 高運動ブラーと低特徴密度を特徴とするfr1/360シーケンスでは、不確実性重み付き点オドメトリが誤差を109 mm/sから86 mm/sに低減した。
• α = 10で点と平面を組み合わせた結果、fr1/deskシーケンスの並進誤差は26 mm/sにまで低下し、最高の公表済み単眼手法（26 mm/s vs. 43 mm/s）を上回った。
• 点ベースオドメトリが失敗したfr3/structure_notexture_farシーケンスでは、組み合わせ手法が50 mm/sの誤差を達成し、最先端手法の43 mm/sと比較して30%の改善を示した。
• fr3/cabinetシーケンスでは、低テクスチャ条件下で平面特徴を活用したことで、精度が17%向上（80 mm/sから73 mm/s）した。
• 最適なα値は10であった。この値は、点と平面の寄与をバランスさせるものであり、より高いα値は低テクスチャシーンで平面を優先し、より低いα値はテクスチャ豊かなシーンで点を優先する。