[論文レビュー] Real-time 3D scene description using Spheres, Cones and Cylinders

Kristiyan Georgiev, Mo’taz Al-Hami+1 more|arXiv (Cornell University)|Mar 12, 2016

Robotics and Sensor-Based Localization参考文献 13被引用数 7

ひとこと要約

本稿では、3次元レンジデータから球、円錐、円柱といった3次元幾何的プリミティブをリアルタイムに検出するアルゴリズムを提示する。3段階のアプローチを採用：まず1.5次元スキャンラインで2次元楕円をフィッティングし、次に隣接する楕円を候補集合にグループ化し、最後に3次元プリミティブをフィッティングする。本手法はO(n)の計算量とO(1)のモデル更新を実現し、Kinectデータで30 FPSの処理が可能となり、SLAM やナビゲーションを含むリアルタイムロボティクス用途に適している。

ABSTRACT

The paper describes a novel real-time algorithm for finding 3D geometric primitives (cylinders, cones and spheres) from 3D range data. In its core, it performs a fast model fitting with a model update in constant time (O(1)) for each new data point added to the model. We use a three stage approach.The first step inspects 1.5D sub spaces, to find ellipses. The next stage uses these ellipses as input by examining their neighborhood structure to form sets of candidates for the 3D geometric primitives. Finally, candidate ellipses are fitted to the geometric primitives. The complexity for point processing is O(n); additional time of lower order is needed for working on significantly smaller amount of mid-level objects. This allows the approach to process 30 frames per second on Kinect depth data, which suggests this approach as a pre-processing step for 3D real-time higher level tasks in robotics, like tracking or feature based mapping.

研究の動機と目的

• ロボティクス分野における生の3次元ポイントクラウド表現のスケーラビリティの低さと幾何的情報密度の低さに対処すること。
• 3次元レンジデータから円錐プリミティブ（球、円錐、円柱）をリアルタイムに検出可能にし、上位レベルのロボットタスクに応用すること。
• 中間段階の楕円検出を介して3次元から1.5次元（1次元高さ場）への次元削減を活用することで、計算複雑性を低減すること。
• RANSAC やEMと比較して、中間段階の幾何的構造を介した2段階のモデルフィッティングパイプラインを用いることで、より高いロバスト性と高速性を実現すること。
• オブジェクトトラッキング、特徴ベースマッピング、自律ナビゲーションなどのアプリケーション向けに、高速でリアルタイムな前処理モジュールを提供すること。

提案手法

• アルゴリズムは3次元レンジデータを、深さ値を有する水平スキャンライン（1.5次元）に分解することで、3次元から1.5次元への次元削減を実現する。
• 第1段階では、各スキャンラインに対して、1点あたりO(1)のモデル更新戦略を用いたロバストな2次元楕円フィッティングを実行し、線形時間処理を可能にする。
• 第2段階では、検出された楕円の近接構造を解析し、空間的近接性と共通の中心点に基づいて候補集合を形成する。
• 第3段階では、交差する楕円の共線的中心点を活用して、候補楕円集合に3次元幾何的プリミティブ（球、円錐、円柱）をフィッティングする。
• 共線的中心点と一貫した半径比といった幾何的制約を用いて、楕円を意味のある3次元オブジェクトに正当化およびグループ化する。
• アルゴリズムはJavaで実装されており、2.8GHzのデスクトップ上で320×240のKinectデータでリアルタイム性能（30 FPS）を達成している。ポイント処理の複雑性はO(n)、中間段階のオブジェクト処理はO(k√n)であり、kは小さな定数である。

実験結果

リサーチクエスチョン

• RQ1 ポイント → 楕円 → 3次元プリミティブという2段階のアプローチが、3次元レンジデータにおける円錐オブジェクトの検出においてリアルタイム性能を達成できるか？
• RQ2 本手法は、RANSACと比較して、楕円フィッティングの速度、構造的ノイズに対するロバスト性、パラメータの柔軟性において優れているか？
• RQ3 3次元から1.5次元への次元削減が、3次元幾何的プリミティブ検出の効率性とスケーラビリティをどの程度向上できるか？
• RQ4 本アルゴリズムは、Kinectの深度データのみを用いて、動きのある円錐オブジェクト（例：跳ねるボール）をリアルタイムで信頼性高く検出・追跡できるか？
• RQ5 高速度での運動や部分的遮蔽下でも本アルゴリズムは性能を維持できるか？また、カルマンフィルタなどのフィルタリング技術を組み合わせることで性能を向上できるか？

主な発見

• 2.8GHzのデスクトップ上で320×240のKinectデータを処理し、30 FPSを達成しており、リアルタイム処理の実現可能性を示している。
• ポイント処理の複雑性はO(n)、中間段階の楕円処理は追加でO(k√n)であり、kは小さな定数であるため、全体としてO(n)の性能を達成している。
• RANSACと比較して、本手法の楕円フィッティングは著しく高速（定数因子k=1 vs. RANSACではk>369）であり、壁のような構造的外れ値に対してもよりロバストである。
• RANSACは外れ値が構造的である場合、半径比制約が適用されていないと、線形構造上に退化したフィッティングを実行し、正しい楕円を検出できない。
• 本アルゴリズムは、跳ねるボールの追跡をリアルタイムで成功しており、中心点の軌道が正確に再構築されている。これは、運動に対するロバスト性を示している。
• ロボットナビゲーションの実験では、Kinectセンサを搭載したPioneerロボットが、運動中やボールの跳ねる状況下でもリアルタイムでボールを追跡し、移動を成功させた。