[논문 리뷰] AA-ICP: Iterative Closest Point with Anderson Acceleration

Artem L. Pavlov, George Ovchinnikov외 3명|arXiv (Cornell University)|2017. 09. 16.

Robotics and Sensor-Based Localization참고 문헌 11인용 수 13

한 줄 요약

이 논문은 반복 최소 거리(Iterative Closest Point, ICP) 알고리즘의 가속 버전인 AA-ICP를 제안한다. 이는 수렴 속도를 높이기 위해 앤더슨 가속을 사용한다. 이전 반복의 역사적 정보를 활용하여 저비용 최소 제곱 최적화를 통해 다음 업데이트를 계산함으로써, 실제 3D 데이터셋에서 반복 횟수를 30% 이상 감소시키고, 최종 정렬 정확도를 평균 0.3% 향상시킨다. 코드 변경은 최소화되었고, 계산 오버헤드도 거의 없다.

ABSTRACT

Iterative Closest Point (ICP) is a widely used method for performing scan-matching and registration. Being simple and robust method, it is still computationally expensive and may be challenging to use in real-time applications with limited resources on mobile platforms. In this paper we propose novel effective method for acceleration of ICP which does not require substantial modifications to the existing code. This method is based on an idea of Anderson acceleration which is an iterative procedure for finding a fixed point of contractive mapping. The latter is often faster than a standard Picard iteration, usually used in ICP implementations. We show that ICP, being a fixed point problem, can be significantly accelerated by this method enhanced by heuristics to improve overall robustness. We implement proposed approach into Point Cloud Library (PCL) and make it available online. Benchmarking on real-world data fully supports our claims.

연구 동기 및 목표

• 모바일 및 자원 제약이 있는 플랫폼에서 실시간 사용을 위한 반복 최소 거리(Iterative Closest Point, ICP) 알고리즘의 가속화를 목적으로 한다.
• 표준 ICP의 느린 수렴 속도를 해결한다. 이는 피카르드 반복에 의존하며, 실질적으로 계산 비용이 높기 때문이다.
• 기존 ICP 파ip라인을 수정하지 않거나 도함수 정보가 필요 없이 앤더슨 가속을 ICP에 통합한다.
• 이론적 가정을 위반할 수 있는 실제 데이터에서 ICP의 강인성과 수렴 품질을 향상시킨다.
• 점군 라이브러리(Point Cloud Library, PCL) 내에서 실용적이고 오픈소스로 제공되는 AA-ICP의 구현을 제공하여 광범위한 보급을 목표로 한다.

제안 방법

• ICP를 고정점 문제로 재정의한다: u = G(u), 여기서 G는 변환 업데이트 매핑이다.
• 표준 피카르드 반복(u^{k+1} = G(u^k))을 앤더슨 가속으로 대체한다. 이는 이전 반복과 잔차의 선형 조합을 통해 다음 반복을 계산한다.
• 최근 m+1개의 반복에 대해 저차원 최소 제곱 최적화를 수행하여 다음 업데이트를 계산하고 잔차 오차를 최소화한다.
• 실제 데이터에서의 강인성을 향상시키기 위해 적응형 메모리 크기와 덤핑 전략 등의 히우리스틱을 도입한다.
• 기존 ICP 코드베이스와의 후행 호환성을 확보하면서도 점군 라이브러리(Point Cloud Library, PCL) 내부에 이 방법을 구현한다.
• 2D 및 3D ICP 변종 모두에 적용하고, RGB-D 및 레이저 스캐너 데이터셋을 대상으로 평가한다.

(a) $n=1$

실험 결과

연구 질문

• RQ1 앤더슨 가속은 ICP 수렴을 위해 필요한 반복 횟수를 상당히 줄일 수 있는가?
• RQ2 동일한 수렴 임계값 조건 하에서, AA-ICP는 표준 ICP보다 최종 정렬 정확도를 향상시키는가?
• RQ3 초기 잘못된 정렬 수준(회전/이동)에 따라 AA-ICP의 성능은 어떻게 변하는가?
• RQ4 수렴 기준(ε)이 AA-ICP의 성능 향상에 어떤 영향을 미치는가?
• RQ5 AA-ICP는 최소한의 코드 변경과 낮은 런타임 오버헤드로 기존 ICP 파이프라인에 효율적으로 통합될 수 있는가?

주요 결과

• RGB-D 데이터셋에서 AA-ICP는 중앙값 기준 35%의 가속을 달성했고, 중간 정도의 잘못된 정렬이 있는 스탠포드 번니 스캔에서는 최대 35%까지 가속화되었다.
• AA-ICP 실행의 90% 이상가 표준 ICP보다 빠르게 수렴했으며, 모든 테스트 시나리오에서 반복 횟수가 크게 감소했다.
• AA-ICP는 평균 0.3%의 최종 정렬 오차 향상을 기록했고, 평균 기준 0.4% 향상되었으며, 표준 ICP보다 낮은 오차를 기록한 실행 비율이 97% 이상이었다.
• 엄격한 수렴 기준(낮은 ε)일수록 가속도가 증가하여, 고정밀 결과가 필요한 경우 AA-ICP가 가장 효과적임을 시사한다.
• 다양한 잘못된 정렬 수준에서 일관된 가속 효과를 보였으며, 수렴 속도는 5° 회전과 2.5cm 이동에서 최고로 나타나 약 35% 수준으로 안정화되었다.
• 구현은 경량이며 PCL에 완전히 통합되어 있어 런타임 비용은 최소이며, 도함수 계산이나 알고리즘 전반의 대대적 개선이 필요 없다.

(b) $n=2$