[論文レビュー] IRON: Invariant-based Highly Robust Point Cloud Registration

Lei Sun|arXiv (Cornell University)|Mar 7, 2021

Robotics and Sensor-Based Localization参考文献 38被引用数 5

ひとこと要約

IRON は、既知スケールおよび未知スケールの両状況において最大 99% の外れ値に対して最先端の耐障害性を達成する非最小限の不変基準点群登録手法である。RANSIC を用いてスケールとインライナーデータを推定し、SOS緩和法を用いて証明可能な最適な回転・平行移動を回復し、RT-GNC を用いて効率的な外れ値除外を実現する。実世界のデータセットにおいて、精度と速度の両面で既存手法を上回っている。

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.

研究の動機と目的

• 最大 99% の外れ値を含む極めて高い外れ値比において、既知スケールおよび未知スケールの両状況で、点群登録の耐障害性を高める挑戦に応えること。
• 登録問題をスケール、回転、平行移動の推定に分離することで、耐障害性とモularity（モジュラリティ）を向上させること。
• 既知スケールの状況において、和の平方（SOS）緩和法を用いて、証明可能なグローバル最適解を提供すること。
• 従来の GNC よりも収束性と耐障害性を向上させる、RT-GNC（粗いトリミングと段階的非凸最適化）という高速で耐障害性の高い外れ値除外ヒューリスティクスを設計すること。

提案手法

• RANSIC（RANdom Samples with Invariant Compatibility）は、不変適合性を用いてランダムな対応からインライナーデータを同定し、同時にスケールを推定する。
• この手法は、和の平方（SOS）緩和法を用いて非凸なグローバル登録問題を凸な半定値計画問題（SDP）に緩和し、タイトで証明可能なグローバル最適性を保証する。
• RT-GNC（Rough Trimming and Graduated Non-Convexity）は、粗いトリミングと段階的非凸最適化を組み合わせることで、収束を加速させ、耐障害性を向上させる。
• アルゴリズムはまずスケール推定を実行し、次に回転・平行移動の推定に SOS 缽和法を適用し、最後に RT-GNC を用いて最終的な精緻化を実施する。
• 非最小限のソルバに特化したフレームワークであり、最小限のサンプル集合に依存せずに高い耐障害性を実現する。
• IRON は既知スケールおよび未知スケールの両状況で評価されており、効率性を高めるための高速な固有値ベースの変種（IRON*）も提供されている。

実験結果

リサーチクエスチョン

• RQ1 非最小限の登録手法は、既知スケールおよび未知スケールの両状況において、99% の外れ値に対しても耐障害性を示すことができるか？
• RQ2 不変適合性は、極めて汚染された対応関係において、同時にスケール推定とインライナーデータの同定にどのように活用できるか？
• RQ3 SOS緩和法は、高い外れ値比下でも、グローバル登録問題に対してタイトで証明可能な最適解を提供できるか？
• RQ4 GNC の収束性と耐障害性は、点群登録における外れ値除外の文脈で、どのように向上させられるか？
• RQ5 提案手法は、実世界のデータセットにおいて、精度、耐障害性、実行時間の両面で最先端のソルバを上回る性能を示せるか？

主な発見

• 95.87% の外れ値を含む実物の物体位置特定タスクにおいて、IRON は (2.83×10⁻⁷, 8.87×10⁻⁶°, 3.98×10⁻⁷m) の誤差で正確な登録を達成した。
• 99% の外れ値比であっても、90% のインライナーリコールと 100% の外れ値除外率を維持し、顕著な耐障害性を示した。
• RT-GNC は従来の GNC ソルバーよりも 3 倍以上高速で、99% の外れ値に対しても耐障害性を示した。
• 既知スケールの登録において、IRON は FGR、GORE、RANSAC、TEASER を上回り、90% を超える外れ値比でも特に優れた精度と速度を示した。
• 未知スケールの登録において、IRON は RANSAC よりも精度が高く、速度も速く、96% の外れ値比で失敗する RANSAC を上回った。
• IRON* は、実行時間の大幅な向上を実現しながらも、IRON と同等の精度を維持しており、リアルタイム応用に実用的である。