[논문 리뷰] IRON: Invariant-based Highly Robust Point Cloud Registration

Lei Sun|arXiv (Cornell University)|2021. 03. 07.

Robotics and Sensor-Based Localization참고 문헌 38인용 수 5

한 줄 요약

IRON는 알려진 척도 및 비알려진 척도 상황에서 최대 99%의 이상치에 대해 최신 기술 수준의 강건성을 달성하는 비최소, 불변 기반 포인트 클라우드 정렬 방법이다. 이는 척도 및 내재성 추정을 위한 RANSIC, 증명 가능하게 최적의 회전/이동 복구를 위한 SOS 리 릴랙세이션, 효율적인 이상치 제거를 위한 RT-GNC를 결합하며, 실제 데이터셋에서 정확도와 속도 면에서 기존 방법들을 능가한다.

ABSTRACT

In this paper, we present IRON (Invariant-based global Robust estimation and OptimizatioN), a non-minimal and highly robust solution for point cloud registration with a great number of outliers among the correspondences. To realize this, we decouple the registration problem into the estimation of scale, rotation and translation, respectively. Our first contribution is to propose RANSIC (RANdom Samples with Invariant Compatibility), which employs the invariant compatibility to seek inliers from random samples and robustly estimates the scale between two sets of point clouds in the meantime. Once the scale is estimated, our second contribution is to relax the non-convex global registration problem into a convex Semi-Definite Program (SDP) in a certifiable way using Sum-of-Squares (SOS) Relaxation and show that the relaxation is tight. For robust estimation, we further propose RT-GNC (Rough Trimming and Graduated Non-Convexity), a global outlier rejection heuristic having better robustness and time-efficiency than traditional GNC, as our third contribution. With these contributions, we can render our registration algorithm, IRON. Through experiments over real datasets, we show that IRON is efficient, highly accurate and robust against as many as 99% outliers whether the scale is known or unknown, outperforming the existing state-of-the-art algorithms.

연구 동기 및 목표

• 최대 99%의 이상치 비율을 가진 알려진 척도 및 비알려진 척도 상황에서 매우 강건한 포인트 클라우드 정렬 문제를 해결하기 위해.
• 정렬 문제를 척도, 회전, 이동 추정으로 분리하여 강건성과 모oduularity를 향상시키기 위해.
• 알려진 척도 케이스에서 Sum-of-Squares (SOS) 리 릴랙세이션을 사용해 증명 가능하게 전역 최적의 해를 도출하기 위해.
• 기존 GNC에 비해 수렴성과 강건성을 향상시킨 빠르고 강건한 이상치 제거 히우리즘인 RT-GNC를 설계하기 위해.

제안 방법

• RANSIC (RANdom Samples with Invariant Compatibility)는 무작위 대응에서 내재성 호환성을 이용해 내재성과 척도를 동시에 식별하고 추정한다.
• 이 방법은 Sum-of-Squares (SOS) 리 릴랙세이션을 통해 비볼록인 전역 정렬 문제를 볼록 최적화 문제인 준정수계획문제(SDP)로 변환하여 강력하고 증명 가능한 전역 최적성을 확보한다.
• RT-GNC (Rough Trimming and Graduated Non-Convexity)는 거친 트리밍과 점진적 비볼록 최적화를 조합하여 수렴 속도를 가속화하고 강건성을 향상시킨다.
• 알고리즘은 첫 번째로 척도 추정을 처리하고, 그 다음 SOS 리 릴랙세이션을 통해 회전과 이동을 추정한 후, 최종 정밀 조정을 위해 RT-GNC를 적용한다.
• 비최소 해법을 위한 프레임워크로 설계되어 최소 표본 집합에 의존하지 않고도 높은 강건성을 확보한다.
• IRON는 알려진 척도 및 비알려진 척도 설정 모두에서 평가되었으며, 효율성을 위해 고속 고유값 기반 변형(IRON*)을 제공한다.

실험 결과

연구 질문

• RQ1 비최소 정렬 방법이 알려진 척도 및 비알려진 척도 상황에서 모두 99% 이상의 이상치에 대해 강건성을 확보할 수 있는가?
• RQ2 내재성 호환성을 어떻게 활용하여 매우 오염된 대응에서 동시에 척도 추정과 내재성 식별을 수행할 수 있는가?
• RQ3 SOS 리 릴랙세이션을 통해 고 이상치 비율 상황에서 전역 정렬 문제에 대해 날카롭고 증명 가능한 최적 해를 제공할 수 있는가?
• RQ4 GNC의 수렴성과 강건성을 어떻게 향상시켜 포인트 클라우드 정렬에서 이상치 제거에 활용할 수 있는가?
• RQ5 제안된 방법이 실제 데이터셋에서 정확도, 강건성, 런타임 면에서 최신 기술 수준의 솔버들을 능가할 수 있는가?

주요 결과

• 실제 물체 정위치 추정 작업에서 95.87% 이상의 이상치가 존재하는 상황에서도 IRON은 오차가 (2.83×10⁻⁷, 8.87×10⁻⁶°, 3.98×10⁻⁷m)로 정밀한 정렬을 달성한다.
• 99% 이상의 이상치 비율에서도 IRON는 90%의 내재성 재현율과 100% 이상의 이상치 제거율을 유지하여 뛰어난 강건성을 입증한다.
• RT-GNC는 기존 GNC 솔버보다 3배 이상 빠르고 더 강건하여 최대 99% 이상의 이상치를 견딜 수 있다.
• 알려진 척도 정렬에서 IRON는 FGR, GORE, RANSAC, TEASER보다 정확도와 속도 면에서 뛰어나며, 90% 이상의 이상치 비율 초과 시 특히 두각을 나타낸다.
• 비알려진 척도 정렬에서 IRON는 RANSAC보다 더 정확하고 빠르며, RANSAC는 96% 이상의 이상치에서 실패하는 반면 IRON는 성능을 유지한다.
• IRON* 변형은 더 빠른 런타임을 확보하면서도 IRON와 동일한 정확도를 유지하여 실시간 응용 분야에서 실용적이다.