[논문 리뷰] SDRSAC: Semidefinite-Based Randomized Approach for Robust Point Cloud Registration without Correspondences

Huu Le, Thanh-Toan Do외 2명|arXiv (Cornell University)|2019. 04. 06.

Robotics and Sensor-Based Localization참고 문헌 48인용 수 6

한 줄 요약

이 논문은 유용한 대응 관계에 의존하지 않고도 강건한 포인트 클라우드 정합을 위한 새로운 랜덤 알고리즘인 SDRSAC을 제안한다. 정합을 그래프 매칭 문제로 공식화하고 날카운 세미정적 프로그래밍(정확한) 근사를 활용하여, 최소 크기의 샘플링 서브셋을 초월하는 크기를 갖는 서브셋을 도입함으로써 이상치 제거 능력과 가설 품질을 향상시켰으며, 노이즈가 많고 이상치가 많은 환경에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

This paper presents a novel randomized algorithm for robust point cloud registration without correspondences. Most existing registration approaches require a set of putative correspondences obtained by extracting invariant descriptors. However, such descriptors could become unreliable in noisy and contaminated settings. In these settings, methods that directly handle input point sets are preferable. Without correspondences, however, conventional randomized techniques require a very large number of samples in order to reach satisfactory solutions. In this paper, we propose a novel approach to address this problem. In particular, our work enables the use of randomized methods for point cloud registration without the need of putative correspondences. By considering point cloud alignment as a special instance of graph matching and employing an efficient semi-definite relaxation, we propose a novel sampling mechanism, in which the size of the sampled subsets can be larger-than-minimal. Our tight relaxation scheme enables fast rejection of the outliers in the sampled sets, resulting in high-quality hypotheses. We conduct extensive experiments to demonstrate that our approach outperforms other state-of-the-art methods. Importantly, our proposed method serves as a generic framework which can be extended to problems with known correspondences.

연구 동기 및 목표

• 노이즈가 많거나 희박한 데이터에서 신뢰할 수 없는 유용한 대응 관계에 의존하는 기존 포인트 클라우드 정합 방법의 한계를 해결한다.
• 최소 샘플링으로 인해 가설 품질이 열 劣화되는 고이상치 환경에서 전통적인 랜덤 알고리즘(예: RANSAC)의 비효율성을 극복한다.
• 더 큰 최소 크기 이상의 서브셋을 사용하는 샘플링 전략을 개발하여 강건성 향상과 반복 횟수 감소를 도모한다.
• 효율적인 이상치 제거 및 가설 품질 향상을 위해 정확한 세미정적 프로그래밍(SDP) 근사를 도입한다.
• 기존 대응 관계가 알려진 문제로도 확장 가능한 일반화된 프레임워크를 제공하여 다양한 정합 시나리오에의 적용 가능성을 높인다.

제안 방법

• 포인트 클라우드 정합을 그래프 매칭 문제로 공식화하며, 점 쌍 간의 거리로부터 유도된 유사도 행렬을 통해 대응 관계를 추론한다.
• 최대 공감 기준에 기반한 새로운 비용 함수를 제안하며, 임계값을 적용한 강건한 손실 함수를 사용해 이상치를 식별한다.
• 직교 프로크루스테스 문제의 정확한 세미정적 프로그래밍 근사를 활용하여 샘플링 서브셋 내에서 이상치 탐지를 효율적으로 수행한다.
• 최소 3점 샘플보다 큰 크기의 서브셋($N_{\text{sample}} > 3$, 예: 16)을 선택하는 랜덤 샘플링 메커니즘을 설계하여 이상치 확률과 가설 안정성을 향상시킨다.
• 각 가설이 SDP를 통해 사전 검증되는 '가설 수립-검증' 루프에 SDP 근사를 통합하여 열 劣한 후보를 조기에 거르는 방식을 채택한다.
• 기대 이상수와 실패 확률에 기반한 정지 기준을 도입하여 반복 횟수를 동적으로 제어함으로써 정확성과 효율성의 균형을 확보한다.

실험 결과

연구 질문

• RQ1 사전에 계산된 유용한 대응 관계에 의존하지 않고도 고강건성과 고효율성을 달성할 수 있는 랜덤 정합 알고리즘이 존재하는가?
• RQ2 고이상치 환경에서 정합에 있어 최소 크기 이상의 샘플링 서브셋을 사용할 경우, 가설의 품질과 안정성은 어떻게 영향을 받는가?
• RQ3 초기 대응 관계 없이도 정확한 세미정적 프로그래밍 근사가 이상치 제거 및 가설 검증에 얼마나 기여할 수 있는가?
• RQ4 랜덤 정합 프레임워크에서 샘플링 크기와 계산 비용 사이의 최적의 트레이드오프는 무엇인가?
• RQ5 제안된 프레임워크는 알려진 대응 관계가 있는 설정으로 일반화될 수 있는가? 이는 해당 기법의 적용 범위를 대응 관계 없이 정합을 넘어서 확장하는 데 기여하는가?

주요 결과

• SDRSAC은 합성 및 실재 데이터셋에서 최신 기술 수준의 방법들보다 더 큰 공감 크기를 확보하며, 특히 높은 이상치 비율(예: 30% 이내) 조건에서 두각을 나타낸다.
• 샘플 크기 $N_{\text{sample}} = 16$일 경우, 각 샘플 서브셋의 이상수 비율의 분산이 감소하여 안정된 성능을 달성하며, 이상수 비율의 표준편차가 약 0.1 수준으로 낮아진다.
• 작은 $N_{\text{sample}}$ 값에 비해 반복 횟수와 런타임이 감소하며, $N_{\text{sample}} = 16$일 때 정확성과 효율성 사이의 최적 트레이드오프를 제공한다.
• $m = 4$로 설정할 경우 해의 품질과 런타임 사이의 최적 균형을 이룬다. $m$을 더 크게 설정할 경우 실패 확률과 반복 횟수가 증가하지만 공감 수에는 영향을 주지 않는다.
• SDRSAC은 ICP, Go-ICP, TrGo-ICP, 4PCS보다 강건성과 일관성 면에서 뛰어나며, 특히 노이즈가 많고 희박한 환경에서 뛰어난 성능을 보인다.
• 이론적으로 노이즈에 강건하며, 입력 포인트 클라우드가 희박하거나 높은 비율의 이상자를 포함하더라도 높은 성능을 유지한다.