[논문 리뷰] RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility

Lei Sun|arXiv (Cornell University)|2021. 04. 19.

Robotics and Sensor-Based Localization참고 문헌 51인용 수 31

한 줄 요약

RANSIC은 랜덤 샘플링에서의 불변성 호환성을 활용하여 극단적인 이상치 비율 조건에서도 정상값을 식별할 수 있는 새로운, 빠르고 매우 강력한 회전 탐색 및 포인트 클라우드 정렬 추정기이다. 문제에 특화된 불변성과 그래프 기반 호환성 테스트를 통해 RANSIC은 거의 완벽한 정상값 회수율(≈100%)과 최대 99% 이상의 이상치에 대한 강력한 내성 확보를 달성하였으며, 속도, 정확도, 이상치 내성 면에서 최신 기술을 능가한다.

ABSTRACT

Correspondence-based rotation search and point cloud registration are two fundamental problems in robotics and computer vision. However, the presence of outliers, sometimes even occupying the great majority of the putative correspondences, can make many existing algorithms either fail or have very high computational cost. In this paper, we present RANSIC (RANdom Sampling with Invariant Compatibility), a fast and highly robust method applicable to both problems based on a new paradigm combining random sampling with invariance and compatibility. Generally, RANSIC starts with randomly selecting small subsets from the correspondence set, then seeks potential inliers as graph vertices from the random subsets through the compatibility tests of invariants established in each problem, and eventually returns the eligible inliers when there exists at least one K-degree vertex (K is automatically updated depending on the problem) and the residual errors satisfy a certain termination condition at the same time. In multiple synthetic and real experiments, we demonstrate that RANSIC is fast for use, robust against over 95% outliers, and also able to recall approximately 100% inliers, outperforming other state-of-the-art solvers for both the rotation search and the point cloud registration problems.

연구 동기 및 목표

• 대부분 >95% 이상의 이상치 비율을 포함하는 대응 기반 3D 정렬 및 회전 추정 문제에 도전한다.
• 고 이상치 비율 조건에서 계산 비용이 과도하거나 실패하는 RANSAC 및 BnB의 한계를 극복한다.
• 초기 추정치나 외부 클리크/핵심 솔버를 필요로 하지 않는 강력하고 효율적이며 독립적인 솔버를 개발한다.
• 모르게 된 스케일과 알려진 스케일 모두에서 정확한 회전, 변환, 스케일 추정을 가능하게 한다.
• 높은 노이즈와 극단적인 이상치 조건에서도 높은 정상값 회수율과 낮은 잔차 오차를 달성한다.

제안 방법

• 랜덤 샘플링과 불변성 호환성의 조합을 통해 랜덤 부분집합에서 직접 정상값을 탐지하는 새로운 패러다임을 제안한다.
• 회전 탐색 및 포인트 클라우드 정렬 문제에 특화된 불변 함수를 정의하여 기하학적 제약 조건을 표현한다.
• 정점이 후보 정상값을 나타내고 간선이 불변성을 통한 상호 호환성을 나타내는 무방향 호환성 그래프를 구축한다.
• 동적으로 업데이트되는 K-차수 정점 탐지 및 잔차 오차의 규칙성을 종료 조건으로 사용하여 강력한 해를 식별한다.
• 적응형 임계값(α, β)을 사용한 반복적 정밀 조정을 적용하여 정확도를 향상시키면서도 내성을 유지한다.
• 충분한 호환성 있는 정상값과 안정된 잔차가 발견되면 샘플링을 종료하는 종료 메커니즘을 통합한다.

실험 결과

연구 질문

• RQ1 랜덤 샘플링 기반 방법이 회전 탐색 및 포인트 클라우드 정렬에서 95~99% 이상의 이상치에 대해 강력한 성능을 발휘할 수 있는가?
• RQ2 불변성 호환성을 통해 이상치를 제거하는 것 외에도 정상값을 능동적으로 탐색할 수 있는가? 이를 통해 독립적인 솔버를 구현할 수 있는가?
• RQ3 고성능의 계산 효율성을 유지하면서 거의 100%의 정상값 회수율을 달성할 수 있는가?
• RQ4 제안된 그래프 이론 기반 호환성 프레임워크는 RANSAC, BnB, GNC와 같은 기존 방법들과 비교해 극단적인 이상치 조건에서 어떻게 성능을 발휘하는가?
• RQ5 외부 솔버가 필요 없이 알려진 스케일과 모르게 된 스케일 정렬 모두에 일반화할 수 있는가?

주요 결과

• RANSIC은 모든 테스트 환경에서 거의 100%의 정상값 회수율을 달성하였으며, 이는 회전 탐색 및 알려진 스케일, 모르게 된 스케일 포인트 클라우드 정렬 모두에 해당한다.
• RANSIC은 포인트 클라우드 정렬에서 최대 99% 이상의 이상치를 견딜 수 있으며, RANSAC(10000), FGR, BnB는 95~96% 이상의 이상치 비율에서 실패함에 비해 뛰어난 성능을 보였다.
• 알려진 스케일 정렬 조건에서 RANSIC은 99% 이상의 이상치 비율에서도 1도 이내의 회전 오차와 1 픽셀 이내의 변환 오차를 유지하였다.
• 이상치 비율이 96% 이하일 경우 RANSIC은 테스트된 모든 방법 중에서 가장 빠른 솔버였으며, RANSAC(10000) 및 BnB보다 뚜렷하게 낮은 런타임을 기록하였다.
• 고노이즈 실험(σ = 0.1)에서 RANSIC은 80% 이상의 이상치를 처리할 수 있었고, 대부분의 다른 솔버는 실패함을 통해 노이즈 조건 하에서도 강력한 내성을 입증하였다.
• 스케일 추정에서 RANSIC은 AV 및 1-pt RSC를 능가하는 최고의 정확도를 달성하였으며, 이는 90% 이상의 이상치 비율에서 실패하는 다른 솔버들과 대비된다.