[论文解读] LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud

Yunge Cui, Yinlong Zhang+4 more|arXiv (Cornell University)|Jun 13, 2022

Robotics and Sensor-Based Localization被引用 7

一句话总结

LinK3D 提出了一种新颖的3D LiDAR点云特征表示方法，通过利用其鲁棒的邻近关键点来描述关键点，实现了高精度与实时的特征匹配。在64束LiDAR上，其特征提取耗时30ms，匹配耗时20ms，频率为10Hz，在稀疏、大规模场景中，其效率与鲁棒性优于现有方法。

ABSTRACT

Feature extraction and matching are the basic parts of many robotic vision tasks, such as 2D or 3D object detection, recognition, and registration. As is known, 2D feature extraction and matching have already achieved great success. Unfortunately, in the field of 3D, the current methods may fail to support the extensive application of 3D LiDAR sensors in robotic vision tasks due to their poor descriptiveness and inefficiency. To address this limitation, we propose a novel 3D feature representation method: Linear Keypoints representation for 3D LiDAR point cloud, called LinK3D. The novelty of LinK3D lies in that it fully considers the characteristics (such as the sparsity and complexity) of LiDAR point clouds and represents the keypoint with its robust neighbor keypoints, which provide strong constraints in the description of the keypoint. The proposed LinK3D has been evaluated on three public datasets, and the experimental results show that our method achieves great matching performance. More importantly, LinK3D also shows excellent real-time performance, faster than the sensor frame rate at 10 Hz of a typical rotating LiDAR sensor. LinK3D only takes an average of 30 milliseconds to extract features from the point cloud collected by a 64-beam LiDAR and takes merely about 20 milliseconds to match two LiDAR scans when executed on a computer with an Intel Core i7 processor. Moreover, our method can be extended to LiDAR odometry task, and shows good scalability. We release the implementation of our method at https://github.com/YungeCui/LinK3D.

研究动机与目标

• 解决现有3D LiDAR特征方法在处理大规模场景中稀疏、不规则且复杂的点云时的局限性。
• 克服当前手工设计与学习型3D特征提取技术在描述能力不足与效率低下方面的缺陷。
• 实现实时性能，适用于高频LiDAR传感器（≥10Hz）在机器人视觉任务中的应用。
• 通过利用局部邻域约束，提升在重复结构（如平面、支柱）和动态物体场景中的匹配准确性。
• 展示其在下游任务（如LiDAR里程计与SLAM系统）中的可扩展性。

提出的方法

• 使用几何聚类策略从稀疏3D LiDAR点云中提取鲁棒的聚合关键点。
• 通过线性不变描述符编码邻近关键点的空间构型，来表示每个关键点。
• 基于邻近关键点的相对位置，将描述符公式化为紧凑的、旋转与平移不变的向量。
• 在LiDAR里程计中采用基于SVD的解法进行扫描匹配，以LinK3D匹配特征替代传统ICP算法。
• 将LinK3D集成到A-LOAM的前端用于里程计，当LinK3D匹配失败时自动回退至原始A-LOAM方法。
• 优化端到端流水线以实现低延迟执行，在标准CPU硬件上实现真正的实时性能。

实验结果

研究问题

• RQ1 基于局部邻域几何结构的手工设计3D特征描述符是否能在稀疏LiDAR点云上实现高匹配精度？
• RQ2 所提出的LinK3D方法是否在匹配精度与实时效率两方面均优于现有手工设计与深度学习方法？
• RQ3 LinK3D在边缘特征有限的非结构化场景（如高速公路与森林）中表现如何？
• RQ4 LinK3D能否有效集成到LiDAR里程计系统中，在降低计算负载的同时保持高精度？
• RQ5 该描述符在不同LiDAR束数（16、32、64）及多样化真实场景下的泛化能力如何？

主要发现

• 在Intel Core i7处理器上，LinK3D在64束LiDAR上实现平均30毫秒的特征提取时间与20毫秒的匹配时间。
• 在KITTI 09（森林场景）中匹配了99.9%的有效对应点，在KITTI 02（森林）中匹配了97.6%，在KITTI 01（高速公路）中匹配了88.6%，表明其在结构化场景中表现优异。
• 基于LinK3D的LiDAR里程计算法定位误差为1.24，旋转误差为0.37，在KITTI数据集上与SOTA方法（如CLS与LOAM）相当。
• 尽管仅使用CPU，LinK3D在推理速度上仍优于基于DNN的方法，且运行时间快于同类数据集上的GPU加速模型。
• LinK3D通过在A-LOAM里程计算法中进行最小修改即可成功嵌入，具备故障情况下的回退支持，展现出良好的可扩展性。
• 该描述符对稀疏性与噪声具有鲁棒性，在存在动态物体与遮挡的场景中仍能保持高精度。