[논문 리뷰] Nonparametric Continuous Sensor Registration

William Clark, Maani Ghaffari외 1명|arXiv (Cornell University)|2020. 01. 08.

Robotics and Sensor-Based Localization참고 문헌 66인용 수 8

한 줄 요약

이 논문은 재생 핵 힐버트 공간 (RKHS) 내에서 센서 데이터를 함수로 모델링함으로써 기하학적 및 의미적 표현을 동시에 구현하는 비모수적이고 연속적인 센서 레지istration 프레임워크를 제안한다. 리만 기하학적 최적화와 폐쇄형 기울기 및 헤시안을 활용한 리 군 작용을 통해 해상도에 영향을 받지 않는 레지스트레이션을 달성하였으며, 텍스처가 부족한 RGB-D 환경에서 최신의 시각 옹도메트리 기술을 능가한다.

ABSTRACT

This paper develops a new mathematical framework that enables nonparametric joint semantic and geometric representation of continuous functions using data. The joint embedding is modeled by representing the processes in a reproducing kernel Hilbert space. The functions can be defined on arbitrary smooth manifolds where the action of a Lie group aligns them. The continuous functions allow the registration to be independent of a specific signal resolution. The framework is fully analytical with a closed-form derivation of the Riemannian gradient and Hessian. We study a more specialized but widely used case where the Lie group acts on functions isometrically. We solve the problem by maximizing the inner product between two functions defined over data, while the continuous action of the rigid body motion Lie group is captured through the integration of the flow in the corresponding Lie algebra. Low-dimensional cases are derived with numerical examples to show the generality of the proposed framework. The high-dimensional derivation for the special Euclidean group acting on the Euclidean space showcases the point cloud registration and bird's-eye view map registration abilities. An implementation of this framework for RGB-D cameras outperforms the state-of-the-art robust visual odometry and performs well in texture and structure-scarce environments.

연구 동기 및 목표

• 낮은 텍스처 또는 구조를 가진 환경에서 센서 레지스트레이션의 과제를 해결하기 위해 센서 데이터의 연속적이고 비모수적 표현을 가능하게 한다.
• 센서 측정치에 포함된 기하학적 및 의미적(예: 외관) 정보를 통합적으로 모델링하는 통합 프레임워크를 개발한다.
• 센서 데이터를 이산 샘플이 아닌 연속 함수로 모델링하여 해상도에 영향을 받지 않는 레지스트레이션을 실현한다.
• 리 군 위의 리만 최적화를 통해 레지스트레이션 문제를 공식화하고, 기울기 및 헤시안에 대한 폐쇄형 표현을 제공한다.
• 이론적 유도와 RGB-D 카메라 및 포인트 클라우드에서의 실험적 검증을 통해 프레임워크의 일반성과 강건성을 입증한다.

제안 방법

• 재생 핵 힐버트 공간 (RKHS) 내에서 센서 측정치를 연속 함수로 표현함으로써 기하학적 및 외관 정보에 대한 비모수적 모델링을 가능하게 한다.
• 도메인 다양체 위에서 리 군(예: SE(3))의 연속 작용을 통해 함수의 정렬을 모델링하며, 군 작용은 해당 리 대수 내의 유량 적분을 통해 표현된다.
• 군 작용 하에서 두 RKHS 함수 간 내적을 최대화하는 방식으로 레지스트레이션을 공식화함으로써 리만 기하학적 최적화 문제로 전환한다.
• 미분 기하학과 리 군 이론을 활용해 목적 함수의 리만 기하학적 기울기 및 헤시안에 대한 폐쇄형 표현을 유도한다.
• 리만 지오데식을 기술하는 옐러-파노-에이정방정식을 활용해 리만 지수 함수를 통한 효율적 최적화를 가능하게 한다.
• 실시간 RGB-D 시각 옹도메트리에 적합한 C++ 기반 구현을 통해 분석적 헤시안을 활용해 수렴성과 강건성을 향상시켰다.

실험 결과

연구 질문

• RQ1 RKHS 내에서 센서 데이터의 비모수적이고 연속적인 표현이 이산 신호 샘플링에 의존하지 않고도 기하학적 및 의미적 레지스트레이션을 동시에 가능하게 할 수 있는가?
• RQ2 리 군 작용을 어떻게系통적으로 리만 최적화 프레임워크에 통합하여 해상도에 영향을 받지 않는 센서 레지스트레이션을 달성할 수 있는가?
• RQ3 이 연속적 레지스트레이션 설정에서 리만 기하학적 기울기 및 헤시안에 대한 폐쇄형 표현은 무엇이며, 이를 통해 최적화의 효율성이 어떻게 향상되는가?
• RQ4 이러한 방법이 텍스처가 부족하고 구조가 빈약한 환경에서 최신의 시각 옹도메트리 기술을 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 특수 오비탈 군(SE(3))를 활용해 고차원 설정, 예를 들어 포인트 클라우드 및 베이드아이즈 뷰 맵 레지스트레이션으로 프레임워크를 일반화할 수 있는가?

주요 결과

• 제안된 프레임워크는 RGB-D 시각 옹도메트리에서 최신 기술 수준의 성능을 달성하였으며, 특히 텍스처가 부족하고 구조가 빈약한 환경에서 뛰어난 성능을 보였다.
• 리만 헤시안의 폐쇄형 유도가 더 정확하고 안정적인 최적화를 가능하게 하여 자세 추정의 신뢰도를 향상시켰다.
• 저차원 사례의 수치적 예제를 통해 다양한 다양체 및 군 설정에서 프레임워크의 일반성과 강건성을 확인하였다.
• SE(3)에 대한 고차원 유도 결과를 통해 포인트 클라우드 레지스트레이션 및 베이드아이즈 뷰 맵 레지스트레이션에 성공적으로 적용하였다.
• 어려운 환경에서 DVO(Direct Visual Odometry)보다 뛰어난 성능을 보이며, 방법의 강건성과 효율성을 검증하였다.
• 오픈소스 코드가 공개되어 있어 재현 가능성이 보장되고 로봇공학 및 컴퓨터 비전 분야의 추가 응용에 기여할 수 있다.