[논문 리뷰] A comprehensive survey on point cloud registration

Xiaoshui Huang, Guofeng Mei외 2명|arXiv (Cornell University)|2021. 03. 03.

Robotics and Sensor-Based Localization참고 문헌 116인용 수 184

한 줄 요약

이 설문은 동일 소스 및 교차 소스 포인트 클라우드 정합에 대한 최적화 기반 및 딥 러닝 방법을 검토하고, 교차 소스 벤치마크를 소개하며, 응용 및 향후 방향에 대해 논의합니다.

ABSTRACT

Registration is a transformation estimation problem between two point clouds, which has a unique and critical role in numerous computer vision applications. The developments of optimization-based methods and deep learning methods have improved registration robustness and efficiency. Recently, the combinations of optimization-based and deep learning methods have further improved performance. However, the connections between optimization-based and deep learning methods are still unclear. Moreover, with the recent development of 3D sensors and 3D reconstruction techniques, a new research direction emerges to align cross-source point clouds. This survey conducts a comprehensive survey, including both same-source and cross-source registration methods, and summarize the connections between optimization-based and deep learning methods, to provide further research insight. This survey also builds a new benchmark to evaluate the state-of-the-art registration algorithms in solving cross-source challenges. Besides, this survey summarizes the benchmark data sets and discusses point cloud registration applications across various domains. Finally, this survey proposes potential research directions in this rapidly growing field.

연구 동기 및 목표

• 동일 소스 포인트 클라우드 정합 방법(최적화 기반, 특징 학습, 엔드-투-엔드 학습)에 대한 철저한 개요 제공.
• 교차 소스 정합의 도전 과제와 기존 솔루션 요약.
• 최적화 기반 접근법과 딥 러닝 접근법 간의 연결 고리 설명.
• 최신 정합 알고리즘을 평가하기 위한 교차 소스 벤치마크 도입.
• 포인트 클라우드 정합의 응용 및 향후 방향 제시.

제안 방법

• 1992–2021년 문헌을 최적화 기반, 특징 학습, 엔드-투-엔드 정합 패러다임으로 조사.
• 방법을 동일 소스와 교차 소스 범주로 분류하고 ICP 기반, 그래프 기반, GMM 기반, SDP 기반 접근법으로 구분.
• 각 범주의 장점, 한계, 수렴 특성 분석.
• 교차 센서 도전을 다루는 새로운 교차 소스 벤치마크를 제시.
• 전통적 최적화와 현대 딥 러닝 기술 간의 연결 고리 종합.

실험 결과

연구 질문

• RQ1 동일 소스 대 교차 소스 포인트 클라우드 정합의 주요 도전 과제와 기법은 무엇인가?
• RQ2 최적화 기반 방법과 딥 러닝 접근법은 강건성 및 효율성 측면에서 어떻게 비교되는가?
• RQ3 정합을 위한 최적화 전략과 딥 러닝 방법 간의 연결 고리의 본질은 무엇인가?
• RQ4 교차 소스 정합은 동일 소스 정합과 어떻게 다른가, 벤치마크는 이 차이를 어떻게 포착할 수 있는가?
• RQ5 포인트 클라우드 정합 연구의 남은 질문과 향후 방향은 무엇인가?

주요 결과

• 동일 소스 데이터에 대한 전통적 방법과 딥 러닝 정합 방법의 포괄적 커버리지.
• 교차 소스 정합의 도전 과제 요약 및 최신 방법을 평가할 제안 벤치마크.
• 최적화 기반과 딥 러닝 접근법 간의 연결 및 상보성 식별.
• 다양한 도메인에 걸친 응용 및 교차 소스 시나리오에서의 향후 연구 방향 필요성 논의.
• 더 큰 포인트 집합에 대한 준정적 완화 및 그래프 기반 방법의 확장성 및 효율성 이슈 강조.