[論文レビュー] Real-time CPU-based large-scale 3D mesh reconstruction

Enrico Piazza, Andrea Romanoni+1 more|arXiv (Cornell University)|Jan 16, 2018

Robotics and Sensor-Based Localization参考文献 30被引用数 5

ひとこと要約

本論文は、SLAMからの移動点を動的に更新するデローニ三角形分割を用いて、大規模3D環境をリアルタイムに処理する、初めてのシングルCPU対応のインクリメンタル多様体メッシュ再構成アルゴリズムを提示する。最適化されたレイトレーシングと新規の収縮ヒューリスティクスを用いることで、メッシュの多様体性を維持しながら、先行研究の最先端手法と比較して10倍の高速化を達成した。

ABSTRACT

In Robotics, especially in this era of autonomous driving, mapping is one key ability of a robot to be able to navigate through an environment, localize on it and analyze its traversability. To allow for real-time execution on constrained hardware, the map usually estimated by feature-based or semi-dense SLAM algorithms is a sparse point cloud; a richer and more complete representation of the environment is desirable. Existing dense mapping algorithms require extensive use of GPU computing and they hardly scale to large environments; incremental algorithms from sparse points still represent an effective solution when light computational effort is needed and big sequences have to be processed in real-time. In this paper we improved and extended the state of the art incremental manifold mesh algorithm proposed in [1] and extended in [2]. While these algorithms do not achieve real-time and they embed points from SLAM or Structure from Motion only when their position is fixed, in this paper we propose the first incremental algorithm able to reconstruct a manifold mesh in real-time through single core CPU processing which is also able to modify the mesh according to 3D points updates from the underlying SLAM algorithm. We tested our algorithm against two state of the art incremental mesh mapping systems on the KITTI dataset, and we showed that, while accuracy is comparable, our approach is able to reach real-time performances thanks to an order of magnitude speed-up.

研究の動機と目的

• ロボティクス用途向けに、制限されたCPUオンリーハードウェアでもリアルタイムで大規模3Dメッシュ再構成を可能にすること。
• メッシュの多様体性を保証するための高コストなステップが原因で、現行のインクリメンタル多様体メッシュ生成アルゴリズムがリアルタイムで実行できないという計算上のボトルネックを克服すること。
• メッシュ品質を損なわず、近似ヒューリスティクスを導入せずに、SLAMシステムからの動的点更新をサポートすること。
• Kittiデータセットのような大規模な屋外シーケンスにおいて、高い正確性とリアルタイム性能を達成すること。
• 自律走行車両やコスト効率の良いロボティクス用途におけるリアルタイム密度マッピングのためのスケーラブルでオープンソースのソリューションを提供すること。

提案手法

• アルゴリズムは、SLAMからの3D点のデローニ三角形分割を段階的に維持し、新しい点が到着するたびにメッシュを動的に更新する。
• メッシュの多様体性を保つために、メッシュ領域の過剰な収縮を防ぐ新規の収縮ヒューリスティクスを導入した。
• 可視性チェックの高速化と重複計算の削減を目的に、キャッシュとハッシュ化に基づくレイトレーシング戦略を採用した。
• 点の位置が変更されても再トレースと可視性の再調整が可能であり、初期挿入後も動的点の更新をサポートする。
• 局所的なメッシュ変更とジェネスの変化を効率的に管理するため、四面体メッシュ構造と囲繞集合を活用した。
• ORB-SLAMおよび構造からモーションパイプラインと統合され、点群を入力とし、多様体メッシュを出力する。

実験結果

リサーチクエスチョン

• RQ1 GPUアクセラレーションに依存せずに、シングルCPUコア上でリアルタイムにインクリメンタル多様体メッシュ再構成を実現できるか？
• RQ2 点の位置が時間経過とともに変化するSLAMからの動的更新において、メッシュの多様体性をどのように維持できるか？
• RQ3 リアルタイム性能を達成するための、レイトレーシングと四面体更新における計算オーバーヘッドを低減する最適化は何か？
• RQ4 動的点更新の導入が、静的点処理と比較して再構成の正確性と実行時間に与える影響は何か？
• RQ5 提案手法は、先行研究の最先端手法と同等またはそれ以上の正確性を達成しながら、10倍の高速化を実現できるか？

主な発見

• 提案手法はKITTIデータセットでリアルタイム性能を達成し、シーケンス00、01、02、05をシングルCPUコアでインタラクティブフレームレートで処理した。
• シーケンス00では平均絶対誤差（MAE）が0.91m、01では0.72m、02では0.62m、05では1.14mであり、移動点を考慮しない場合、[1]および[2]を正確性で上回った。
• 移動点処理を導入した場合でも、MAEは0.91m（seq00）から1.21m（seq05）までわずかに上昇したにとどまり、動的更新下でも正確性の著しい低下を示さなかった。
• 先行研究の最先端手法と比較して、実行時間を1桁短縮し、10倍の高速化を達成しながらも、メッシュの多様体性を維持した。
• シーケンス02では更新中に最大12,334個の四面体が収縮しており、顕著なメッシュの精錬が行われたが、最適化されたハッシュ化とキャッシュのおかげで、パフォーマンスは安定を保った。
• シーケンス00では9%の点が移動点として扱われたが、移動点あり・なしで実行時間にほとんど差がなく、計算オーバーヘッドはわずかにしか増加しなかった。