[论文解读] AA-ICP: Iterative Closest Point with Anderson Acceleration

Artem L. Pavlov, George Ovchinnikov+3 more|arXiv (Cornell University)|Sep 16, 2017

Robotics and Sensor-Based Localization参考文献 11被引用 13

一句话总结

本文提出 AA-ICP，一种基于安德森加速的迭代最近点（ICP）算法加速变体，可加快收敛速度。通过利用历史迭代信息，以低成本的最小二乘优化计算下一次更新，AA-ICP 在真实世界 3D 数据集上将迭代次数减少 30% 以上，同时平均提升最终配准精度 0.3%，且仅需极少代码修改和可忽略的计算开销。

ABSTRACT

Iterative Closest Point (ICP) is a widely used method for performing scan-matching and registration. Being simple and robust method, it is still computationally expensive and may be challenging to use in real-time applications with limited resources on mobile platforms. In this paper we propose novel effective method for acceleration of ICP which does not require substantial modifications to the existing code. This method is based on an idea of Anderson acceleration which is an iterative procedure for finding a fixed point of contractive mapping. The latter is often faster than a standard Picard iteration, usually used in ICP implementations. We show that ICP, being a fixed point problem, can be significantly accelerated by this method enhanced by heuristics to improve overall robustness. We implement proposed approach into Point Cloud Library (PCL) and make it available online. Benchmarking on real-world data fully supports our claims.

研究动机与目标

• 为移动设备和资源受限平台实现实时应用的迭代最近点（ICP）算法加速。
• 解决标准 ICP 收敛缓慢的问题，其依赖皮卡德迭代，在实际应用中计算成本较高。
• 在不修改现有 ICP 流水线或无需导数信息的前提下，将安德森加速集成到 ICP 中。
• 提升 ICP 在可能违反固定点方法理论假设的真实世界数据上的鲁棒性和收敛质量。
• 在点云库（PCL）中提供一种实用、开源的 AA-ICP 实现，以促进广泛应用。

提出的方法

• 将 ICP 重新表述为固定点问题：u = G(u)，其中 G 为变换更新映射。
• 用安德森加速替代标准皮卡德迭代（u^{k+1} = G(u^k)），即通过前序迭代和残差的线性组合计算下一次迭代。
• 在最近 m+1 次迭代上进行低维最小二乘优化，以计算下一次更新，从而最小化残差误差。
• 引入启发式策略以提升在真实世界数据上的鲁棒性，如自适应记忆大小和阻尼策略。
• 在点云库（PCL）中实现该方法，确保与现有 ICP 代码库的向后兼容性。
• 将该方法应用于 2D 和 3D ICP 变体，并在 RGB-D 和激光扫描数据集上进行评估。

(a) $n=1$

实验结果

研究问题

• RQ1 安德森加速能否显著减少 ICP 收敛所需的迭代次数？
• RQ2 在相同收敛阈值下，AA-ICP 是否相比标准 ICP 提升了最终配准精度？
• RQ3 AA-ICP 的性能如何随初始错位程度（旋转/平移）的变化而变化？
• RQ4 收敛准则（ε）对 AA-ICP 所实现加速效果有何影响？
• RQ5 AA-ICP 是否能以极少代码修改和低运行时开销，高效集成到现有 ICP 流水线中？

主要发现

• 在 RGB-D 数据集上，AA-ICP 实现了 35% 的中位数加速，且在斯坦福野兔扫描中也达到最高 35% 的加速效果，适用于中等程度错位。
• 超过 90% 的 AA-ICP 运行收敛速度优于标准 ICP，所有测试场景下迭代次数均显著减少。
• AA-ICP 平均提升最终配准误差 0.3%，均值提升 0.4%，且超过 97% 的运行结果误差低于标准 ICP。
• 当收敛准则更严格（ε 更小）时，加速效果进一步提升，表明 AA-ICP 在需要高精度结果时最为有效。
• 该方法在不同错位水平下均表现出一致的加速效果，加速峰值出现在 5° 旋转和 2.5 cm 平移时，随后稳定在约 35%。
• 实现轻量化，完全集成于 PCL 中，运行时开销极低，无需导数计算或算法架构的重大修改。

(b) $n=2$