[논문 리뷰] Hidden Markov Random Field Iterative Closest Point

John Stechschulte, Christoffer Heckman|arXiv (Cornell University)|2017. 11. 07.

Robotics and Sensor-Based Localization참고 문헌 33인용 수 3

한 줄 요약

이 논문은 반복 최소 거리(Iterative Closest Point, ICP) 알고리즘의 확장으로, 깊이 맵에서의 이esimal 및 이방성 상태를 가우시안 혼합 모델로 모델링하고, 은닉 상태를 추정하기 위해 기대값 최대화(EM) 추론을 사용하는 숨겨진 마르코프 무작위장(Hidden Markov Random Field, HMRF)을 제안한다. 이 방법은 저중첩 상황에서 정렬 정확도와 수렴 속도를 향상시키며, 36% 중첩에서 0.04 m 이하의 이동 오차와 0.2 rad 이하의 회전 오차를 달성하여 표준 ICP 및 기타 이방성 제거 방법보다 뛰어난 성능을 보인다.

ABSTRACT

When registering point clouds resolved from an underlying 2-D pixel structure, such as those resulting from structured light and flash LiDAR sensors, or stereo reconstruction, it is expected that some points in one cloud do not have corresponding points in the other cloud, and that these would occur together, such as along an edge of the depth map. In this work, a hidden Markov random field model is used to capture this prior within the framework of the iterative closest point algorithm. The EM algorithm is used to estimate the distribution parameters and the hidden component memberships. Experiments are presented demonstrating that this method outperforms several other outlier rejection methods when the point clouds have low or moderate overlap.

연구 동기 및 목표

• 낮은 중첩에서의 ICP 성능 저하 문제, 특히 비중첩 영역에 구조적 이방성이 존재할 경우에 대한 도전에 대응하기 위해.
• 공간적 맥락을 활용하여 강건성을 향상시키기 위해 깊이 맵의 이esimal 및 이방성 상태를 은닉 마르코프 무작위장(HMRF)으로 모델링하기 위해.
• 평균 장 추정을 사용한 EM 알고리즘을 통해 은닉 이esimal/이방성 상태를 추론하고 혼합 모델 파라미터를 추정하기 위해.
• HMRF-ICP가 저중첩 환경에서 표준 ICP 및 기타 이방성 제거 기법보다 더 높은 정렬 정확도와 더 빠른 수렴 속도를 달성함을 입증하기 위해.
• 향상된 정렬 강건성으로 인해 더 적은 수의 스캔으로도 더 효율적인 3D 재구성 가능성을 제공하기 위해.

제안 방법

• 관측된 거리(자유 클라우드 포인트에서 가장 가까운 고정 클라우드 포인트까지의 거리)를 이esimal과 이방성에 해당하는 두 개의 성분을 가진 가우시안 혼합 모델로 모델링한다.
• 은닉 마르코프 무작위장(HMRF)은 공간적 종속성을 인코딩하며, 각 픽셀의 상태(이esimal/이방성)가 이웃 픽셀을 통해 페타스 유사 잠재력에 의해 영향을 받는다.
• EM 알고리즘을 사용한 추론: E단계는 평균 장 추정을 통해 은닉 상태의 사후 확률을 추정하고, M단계는 혼합 모델 파라미터를 업데이트한다.
• HMRF 모델은 균일한 사전 확률로 초기화되며, 첫 ICP 반복 전에 370회의 EM 반복을 통해 점진적으로 개선된다.
• ICP는 추론된 이esimal 상태에만 기반하여 적용되며, SVD 기반의 폐쇄형 해를 통해 점포인트 간 제곱거리의 합을 최소화한다.
• 이 방법은 구조적 빛 또는 스테레오 센서에서 유래한 2차원 격자 구조를 가정하며, 이웃 관계는 4연결 격자로 정의된다.

실험 결과

연구 질문

• RQ1 공간적 맥락을 반영하는 확률적 HMRF 모델이 이esimal/이방성 상태의 은닉 상태를 캡처함으로써 저중첩 상황에서의 ICP 성능 향상에 기여할 수 있는가?
• RQ2 평균 장 추정을 사용한 EM 추론이 임계값 기반 또는 고정 비율 이방성 제거보다 더 정확하고 강건한 이esimal 탐지에 기여하는가?
• RQ3 다양한 중첩 수준에서 HMRF-ICP는 표준 ICP 및 기타 이방성 제거 방법과 비교해 수렴 속도와 변환 정확도 측면에서 어떻게 성능을 내는가?
• RQ4 희박한 이esimal 분포(예: 36% 중첩 시나리오)에서도 HMRF 모델이 발산 없이 효과적으로 적응할 수 있는가?
• RQ5 오염 및 데이터 누락이 있는 구조적 깊이 맵에서 공간적 사전 정보가 이방성 억제에 미치는 영향은 무엇인가?

주요 결과

• 36% 중첩에서 HMRF-ICP는 이동 오차 0.017 m와 회전 오차 0.0776 라디안을 달성하여 다른 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 상어 시퀀스에서는 모든 중첩 수준에서 낮은 오차(최대 이동 오차 0.036 m, 최대 회전 오차 0.196 rad)를 유지하였으며, 저중첩에서 더 빠른 수렴을 보였다.
• 책상 시퀀스에서는 20% 이하 중첩에서 성능이 저하되었으며, 최대 오차로 이동 1.55 m와 회전 1.97 rad를 기록하여 극단적 저중첩 상황에서의 한계를 보였다.
• HMRF 모델은 370회의 EM 반복 후 초기 이방성 추정치를 62%에서 20%로 감소시켜 정렬 안정성을 크게 향상시켰다.
• HMRF-ICP는 중첩 감소에 따라 성능 저하가 최소화되었으며, 다른 방법들이 느려지거나 발산하는 것과는 달리, 희박한 데이터 환경에서도 강건성을 유지하였다.
• 저중첩에서 표준 ICP보다 더 빠른 수렴을 보였으며, 이는 EM으로 추론된 이esimal 집합이 국소 최소값으로의 발산을 피하기 때문이었다.