[논문 리뷰] RPSRNet: End-to-End Trainable Rigid Point Set Registration Network using Barnes-Hut $2^D$-Tree Representation

Sk Aziz Ali, Kerem Kahraman외 2명|arXiv (Cornell University)|2021. 04. 12.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

RPSRNet은 라이프타임 기반의 데스크탑 포인트 클라우드 정렬을 위한 엔드 투 엔드 훈련 가능한 딥 뉴럴 네트워크로, 입력 포인트 클라우드를 인코딩하기 위해 Barnes-Hut $2^D$-트리 표현을 사용하고, 반복적 변환 정밀 조정을 통한 계층적 특징 임bedding을 구현한다. 이는 KITTI 및 ModelNet40 데이터셋에서 DCP-v2 및 PointNetLK와 같은 기존 방법들을 능가하는 최신 기술 수준의 정확도와 약 12–15ms의 빠른 추론 속도를 달성하며, 특히 노이즈와 비균일 샘플링 조건에서도 뛰어난 성능을 보인다.

ABSTRACT

We propose RPSRNet - a novel end-to-end trainable deep neural network for rigid point set registration. For this task, we use a novel $2^D$-tree representation for the input point sets and a hierarchical deep feature embedding in the neural network. An iterative transformation refinement module in our network boosts the feature matching accuracy in the intermediate stages. We achieve an inference speed of 12-15ms to register a pair of input point clouds as large as 250K. Extensive evaluation on (i) KITTI LiDAR odometry and (ii) ModelNet-40 datasets shows that our method outperforms prior state-of-the-art methods - e.g., on the KITTI data set, DCP-v2 by1.3 and 1.5 times, and PointNetLK by 1.8 and 1.9 times better rotational and translational accuracy respectively. Evaluation on ModelNet40 shows that RPSRNet is more robust than other benchmark methods when the samples contain a significant amount of noise and other disturbances. RPSRNet accurately registers point clouds with non-uniform sampling densities, e.g., LiDAR data, which cannot be processed by many existing deep-learning-based registration methods.

연구 동기 및 목표

• 대규모 실세계 포인트 클라우드에 적합한 정확하고 효율적인 데스크탑 기반의 데스크탑 포인트 세트 정렬을 위한 딥 러닝 기반 방법을 개발하는 것.
• 기존의 데스크탑 기반 방법들이 비균일하게 샘플링된 포인트 클라우드(예: LiDAR 데이터)를 다루는 데에 한계를 보이는 문제를 해결하는 것.
• 실세계 스캔에서 흔히 발생하는 노이즈와 부분적 오버랩에 대한 강건성을 향상시키는 것.
• 실시간 응용 프로그램에 적합한 고속 추론을 보장하는 엔드 투 엔드 훈련을 가능하게 하는 것.
• 포인트 클라우드를 위한 계층적이고 미분 가능한 특징 학습을 지원하는 새로운 $2^D$-트리 표현을 도입하는 것.

제안 방법

• 방법은 입력 포인트 클라우드를 표현하기 위해 Barnes-Hut $2^D$-트리를 사용하며, 노드의 질량 중심과 밀도를 입력 특징으로 인코딩한다.
• 계층적 트리 컨볼루션 신경망이 $2^D$-트리 구조를 처리하여 다단계 집계를 통해 글로벌 기하학적 특징을 학습한다.
• 예측된 특징 대응 관계를 사용해 중간 단계에서 추정된 강체 변환을 반복적으로 정밀 조정하는 모듈이 통합된다.
• 최종 특징 표현에서 회전 행렬 $\mathbf{R} \in \mathcal{SO}(D)$ 와 이동 벡터 $\mathbf{t} \in \mathbb{R}^D$ 를 회귀한다.
• 예측된 변환과 진짜 변환 간의 차이를 최소화하는 미분 가능한 손실 함수를 사용해 네트워크를 엔드 투 엔드로 훈련한다.
• $2^D$-트리 구축은 훈련 이전에 CPU에서 수행되며, 노드 속성은 입력 텐서로 네트워크에 전달된다.

실험 결과

연구 질문

• RQ1 학습 가능한 $2^D$-트리 표현이 데스크탑 기반의 데스크탑 포인트 세트 정렬의 정확도와 효율성에 향상 효과를 줄 수 있는가?
• RQ2 예측된 변환 추정치를 반복적으로 정밀 조정하는 방식이 데스크탑 신경망 아키텍처 내에서 특징 매칭 정확도를 향상시키는가?
• RQ3 RPSRNet은 대규모 비균일 샘플링 LiDAR 포인트 클라우드에서 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ4 실세계 스캔에서 흔히 발생하는 높은 노이즈와 부분적 오버랩 조건에서도 네트워크가 높은 정확도를 유지할 수 있는가?
• RQ5 기존의 데스크탑 기반 정렬 네트워크보다 제안된 방법이 유의미하게 빠른가, 동시에 정확도를 유지하거나 향상시키는가?

주요 결과

• KITTI LiDAR 오도메트리 데이터셋에서 RPSRNet은 DCP-v2 대비 회전 정확도 1.3배, 이동 정확도 1.5배 향상되었다.
• 동일한 데이터셋에서 RPSRNet은 PointNetLK 대비 회전 정확도 1.8배, 이동 정확도 1.9배 향상되었다.
• 40% 가우시안 노이즈가 첨가된 ModelNet40에서 RPSRNet은 높은 정확도를 유지하며, 유사 조건에서 발산하는 다른 방법들을 능가했다.
• RPSRNet은 1개의 250K점 포인트 클라우드 쌍당 약 12–15ms의 추론 속도를 달성하여, 경쟁하는 데스크탑 기반 방법들 중 가장 빠른 속도를 기록했다.
• 제거 분석 결과, RPSRNet에서의 반복적 정밀 조정은 학습을 안정화시키며, 동일한 설정에서 DCP-v2 변종은 발산하는 것으로 확인되어 제안된 아키텍처와 표현의 우수성을 입증했다.
• 기존의 많은 데스크탑 기반 정렬 방법들이 부족한 바탕으로 비균일한 샘플링 밀도를 가진 포인트 클라우드의 정렬을 성공적으로 수행했다.