[논문 리뷰] Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures

Benjamin Eckart, Kihwan Kim외 1명|arXiv (Cornell University)|2018. 07. 06.

Remote Sensing and LiDAR Applications참고 문헌 34인용 수 25

한 줄 요약

이 논문은 GPU 가속 다중 척도 세분화를 통해 로그 시간 데이터 연관을 가능하게 하는 계층적 가우시안 혼합 모델(GMM-Tree)을 사용한 빠르고 정확한 포인트 클라우드 정합 방법을 제안한다. 새로운 주성분 분석(based PCA) 기반의 마할라노비스 거리 근사치를 도입함으로써, LiDAR 및 구조화된 라이트 스캔을 포함한 다양한 3D 데이터셋에서 기존 GMM 및 ICP 기반 기법보다 최대 10배 빠른 성능과 최신 기술 수준(SOTA)의 정확도를 달성한다.

ABSTRACT

Point cloud registration sits at the core of many important and challenging 3D perception problems including autonomous navigation, SLAM, object/scene recognition, and augmented reality. In this paper, we present a new registration algorithm that is able to achieve state-of-the-art speed and accuracy through its use of a hierarchical Gaussian Mixture Model (GMM) representation. Our method constructs a top-down multi-scale representation of point cloud data by recursively running many small-scale data likelihood segmentations in parallel on a GPU. We leverage the resulting representation using a novel PCA-based optimization criterion that adaptively finds the best scale to perform data association between spatial subsets of point cloud data. Compared to previous Iterative Closest Point and GMM-based techniques, our tree-based point association algorithm performs data association in logarithmic-time while dynamically adjusting the level of detail to best match the complexity and spatial distribution characteristics of local scene geometry. In addition, unlike other GMM methods that restrict covariances to be isotropic, our new PCA-based optimization criterion well-approximates the true MLE solution even when fully anisotropic Gaussian covariances are used. Efficient data association, multi-scale adaptability, and a robust MLE approximation produce an algorithm that is up to an order of magnitude both faster and more accurate than current state-of-the-art on a wide variety of 3D datasets captured from LiDAR to structured light.

연구 동기 및 목표

• 기존 ICP 및 GMM 기반 정합 방법의 한계를 해결하기 위해, 수렴 속도가 느리고 노이즈/막힘에 취약하며 계산 비용이 높은 문제를 해결한다.
• 계층적이고 GPU 가속된 GMM 표현을 통해 다중 척도에서 효율적이고 적응형 데이터 연관을 가능하게 한다.
• 등방성(Gaussian) 공분산을 피하는 비등방성 공분산을 사용해 진정한 최대우도추정치(MLE)를 근사함으로써 정확도를 향상시킨다.
• 데이터 연관 복잡도를 로그 시간으로 감소시켜 실시간 성능을 달성함으로써 자율 주행 및 SLAM과 같은 응용 분야에 기여한다.
• 수동 조정 없이도 다양한 포인트 밀도, 장면 복잡도 및 기하 분포에 적응 가능한 일반적인 정합 프레임워크를 제공한다.

제안 방법

• 병렬 GPU 기반 우도 세분화를 통해 상향식으로 작은 척도의 GMM 트리를 구축함으로써 포인트 클라우드의 다중 척도 계층적 표현을 형성한다.
• 진정한 MLE 해를 완전히 비등방성 공분산 하에서 잘 근사하는 새로운 주성분 분석(based PCA) 최적화 기준을 사용해 마할라노비스 거리 근사치를 계산한다.
• 재귀적 트리 탐색을 통해 데이터 연관을 수행함으로써, 매칭에 적합한 최적의 척도를 동적으로 선택함으로써 로그 시간 복잡도를 달성한다.
• 계층적 구조를 활용해 현장의 국소적 장면 복잡도와 공간 분포에 따라 기하학적 세부 정보 수준을 적응적으로 조정한다.
• 강력하고 미분 가능한 최적화 프레임워크와 GMM-Tree 표현을 통합하여 강성 변환 추정을 지원한다.
• 장면 특성(예: 샘플링 희소성 및 기하학적 구조)에 자동으로 적응하는 데이터 기반 다중 척도 매칭 프로세스를 구현한다.

실험 결과

연구 질문

• RQ1 계층적 GMM 표현은 기존 ICP 및 GMM 기반 방법보다 더 빠르고 정확한 포인트 클라우드 정합을 가능하게 하는가?
• RQ2 정확도를 유지하면서 데이터 연관 복잡도를 선형에서 로그 시간으로 감소시킬 수 있는가?
• RQ3 일반적인 비등방성 가우시안 공분산 하에서 PCA 기반 마할라노비스 거리 근사치는 진정한 MLE 해를 효과적으로 근사할 수 있는가?
• RQ4 제안된 방법은 다양한 포인트 밀도, 노이즈 및 기하학적 복잡도를 갖는 다양한 3D 데이터셋에 일반화되는가?
• RQ5 루프 클로징 없이도 대규모 LiDAR 데이터에서 실시간 성능(10 Hz 이상)을 달성할 수 있는가?

주요 결과

• 제안된 방법은 최신 기술 수준의 ICP 및 GMM 기반 방법보다 최대 10배 빠른 성능을 보이며, Velodyne LiDAR 데이터(13,878점/프레임)에서 17–39 Hz의 프레임 레이트를 달성한다.
• Velodyne LiDAR 데이터셋에서 루프 클로징 또는 외부 오도메트리 없이도 도시 블록 규모의 거리에서 서브미터 수준의 정확도를 유지한다.
• 정확도에서는 최고의 ICP 변종을 능가하거나 그에 맞추어지며, 다음으로 빠른 GMM 기반 방법보다 약 2배 빠른 속도를 기록한다.
• GMM-Tree 표현은 로그 시간 복잡도를 가능하게 하여 데이터 연관 복잡도를 O(N²)에서 O(log J)로 감소시킨다. 여기서 J는 혼합 성분의 수이다.
• 완전히 비등방성 공분산 하에서도 PCA 기반 마할라노비스 근사치는 진정한 MLE 해를 잘 근사하며, 등방성 GMM 방법 대비 강건성을 향상시킨다.
• 구조화된 라이트 스캔 및 LiDAR 스캔을 포함한 다양한 데이터셋에서 강력한 일반화 성능을 보이며, 속도 및 정확도 향상이 일관되게 관찰된다.