[論文レビュー] RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility

Lei Sun|arXiv (Cornell University)|Apr 19, 2021

Robotics and Sensor-Based Localization参考文献 51被引用数 31

ひとこと要約

RANSIC は、ランダムサンプリングにおける不変適合性を活用して、極端な外れ値比率下でもインライアーを特定できる、新規で高速かつ非常に頑健な回転探索および点群登録推定器である。問題固有の不変量を構築し、グラフベースの適合性テストを用いることで、RANSIC はほぼ完璧なインライアー再現率（≈100％）を達成し、最大99％の外れ値に対して頑健である。これは、最新の手法に比べて速度、正確性、外れ値耐性の面で優れている。

ABSTRACT

Correspondence-based rotation search and point cloud registration are two fundamental problems in robotics and computer vision. However, the presence of outliers, sometimes even occupying the great majority of the putative correspondences, can make many existing algorithms either fail or have very high computational cost. In this paper, we present RANSIC (RANdom Sampling with Invariant Compatibility), a fast and highly robust method applicable to both problems based on a new paradigm combining random sampling with invariance and compatibility. Generally, RANSIC starts with randomly selecting small subsets from the correspondence set, then seeks potential inliers as graph vertices from the random subsets through the compatibility tests of invariants established in each problem, and eventually returns the eligible inliers when there exists at least one K-degree vertex (K is automatically updated depending on the problem) and the residual errors satisfy a certain termination condition at the same time. In multiple synthetic and real experiments, we demonstrate that RANSIC is fast for use, robust against over 95% outliers, and also able to recall approximately 100% inliers, outperforming other state-of-the-art solvers for both the rotation search and the point cloud registration problems.

研究の動機と目的

• 対応ベースの3次元登録および回転推定において、しばしば95％を超える極端な外れ値比率の課題に対処すること。
• RANSAC や BnB の限界を克服すること。これらは外れ値比率が高いと計算が非現実的になったり、失敗する。
• 初期推定値や外部のクリーク／コアソルバーを必要としない、頑健で効率的かつ独立したソルバーを開発すること。
• スケールが既知・未知の両方の点群登録において、回転、並進、スケールの正確な推定を可能にすること。
• 高いノイズと極端な外れ値条件下でも、高いインライアー再現率と低い残差誤差を達成すること。

提案手法

• ランダムサブセットから直接インライアーを検出できるように、ランダムサンプリングと不変適合性を組み合わせる新しいパラダイムを提唱する。
• 回転探索および点群登録のための問題固有の不変関数を定義し、幾何的制約を符号化する。
• 頂点が候補インライアーを表し、辺が不変量による相互適合性を示す無向適合性グラフを構築する。
• K次数の頂点検出（Kは動的に更新）と残差誤差の規則性を終了条件として用い、頑健な解を同定する。
• 適応的しきい値（α, β）を用いた反復的精錬を適用し、正確性を向上させつつ頑健性を維持する。
• 十分な適合性を持つインライアーと安定した残差が得られると、サンプリングを停止する終了メカニズムを統合する。

実験結果

リサーチクエスチョン

• RQ1 ランダムサンプリングに基づく手法は、回転探索および点群登録において95〜99％の外れ値に対して頑健に機能できるか？
• RQ2 不変適合性を用いて外れ値のプルーニングだけでなく、インライアーを能動的に探索することで、独立したソルバーを実現できるか？
• RQ3 高い計算効率を維持しながら、ほぼ100％のインライアー再現率を達成できるか？
• RQ4 提案されたグラフ理論的適合性フレームワークは、RANSAC や BnB や GNC と比較して、極端な外れ値条件下でどのように性能を発揮するか？
• RQ5 外部ソルバーを必要とせず、スケールが既知・未知の両方の登録に一般化可能か？

主な発見

• RANSIC は、回転探索およびスケールが既知・未知の両方の点群登録を含む、すべてのテストシナリオでほぼ100％のインライアー再現率を達成した。
• RANSIC は点群登録において最大99％の外れ値に耐えられ、RANSAC(10000) や FGR や BnB よりも優れており、95〜96％の外れ値比率で失敗するこれらの手法を上回った。
• スケールが既知の登録において、RANSIC は99％の外れ値比率下でも1度未塔の回転誤差とピクセル未満の並進誤差を維持した。
• 外れ値比率が96％未満の場合は、RANSIC がテストされた手法の中で最も高速であり、RANSAC(10000) や BnB よりも著しく短い実行時間だった。
• 高ノイズ実験（σ = 0.1）では、RANSIC は80％の外れ値を処理できたが、他の大多数のソルバーは失敗した。これはノイズ下での頑健性を示している。
• スケール推定において RANSIC は最高の正確性を達成し、90％の外れ値比率で失敗する AV や 1-pt RSC よりも優れていた。