[论文解读] Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures

Benjamin Eckart, Kihwan Kim+1 more|arXiv (Cornell University)|Jul 6, 2018

Remote Sensing and LiDAR Applications参考文献 34被引用 25

一句话总结

本文提出了一种基于高斯混合模型层次树（GMM-Tree）的快速且精确的点云配准方法，通过GPU加速的多尺度分割实现在对数时间内完成数据关联。通过引入一种新型基于主成分分析（PCA）的马氏距离近似方法，该方法在包括激光雷达和结构光扫描在内的多种3D数据集上，实现了最先进（SOTA）的精度，并将性能提升至现有GMM与ICP方法的10倍。

ABSTRACT

Point cloud registration sits at the core of many important and challenging 3D perception problems including autonomous navigation, SLAM, object/scene recognition, and augmented reality. In this paper, we present a new registration algorithm that is able to achieve state-of-the-art speed and accuracy through its use of a hierarchical Gaussian Mixture Model (GMM) representation. Our method constructs a top-down multi-scale representation of point cloud data by recursively running many small-scale data likelihood segmentations in parallel on a GPU. We leverage the resulting representation using a novel PCA-based optimization criterion that adaptively finds the best scale to perform data association between spatial subsets of point cloud data. Compared to previous Iterative Closest Point and GMM-based techniques, our tree-based point association algorithm performs data association in logarithmic-time while dynamically adjusting the level of detail to best match the complexity and spatial distribution characteristics of local scene geometry. In addition, unlike other GMM methods that restrict covariances to be isotropic, our new PCA-based optimization criterion well-approximates the true MLE solution even when fully anisotropic Gaussian covariances are used. Efficient data association, multi-scale adaptability, and a robust MLE approximation produce an algorithm that is up to an order of magnitude both faster and more accurate than current state-of-the-art on a wide variety of 3D datasets captured from LiDAR to structured light.

研究动机与目标

• 为解决传统ICP和基于GMM的配准方法存在的收敛缓慢、对噪声/遮挡鲁棒性差以及计算成本高等局限性。
• 通过构建分层的、GPU加速的GMM表示，实现在多尺度下高效且自适应的数据关联。
• 通过使用各向异性的高斯协方差近似真实最大似然估计（MLE），提升配准精度，避免先前GMM方法中各向同性约束的限制。
• 通过将数据关联复杂度降低至对数时间，实现对自动驾驶和SLAM等应用的实时性能。
• 提供一种通用的配准框架，可自适应地适应不同点云密度、场景复杂度和几何分布，无需人工调参。

提出的方法

• 通过并行GPU加速的似然分割，自顶向下递归构建小规模GMM的树结构，形成点云的多尺度分层表示。
• 提出一种基于PCA的优化准则，用于计算马氏距离近似，该近似在完全各向异性的协方差下能良好逼近真实的MLE解。
• 通过递归树搜索执行数据关联，利用动态选择最优匹配尺度，实现对数时间复杂度。
• 利用分层结构根据局部场景复杂度和空间分布自适应调整几何细节层次。
• 将GMM-Tree表示与一种鲁棒且可微的优化框架集成，支持刚性变换估计。
• 采用数据驱动的多尺度匹配过程，自动适应场景特定特征，如采样稀疏性和几何结构。

实验结果

研究问题

• RQ1 分层GMM表示是否能够实现比现有ICP和GMM方法更快、更精确的点云配准？
• RQ2 如何在保持高精度的前提下，将数据关联复杂度从线性时间降低至对数时间？
• RQ3 基于PCA的马氏距离近似是否能在一般各向异性的高斯协方差下有效逼近真实的MLE解？
• RQ4 所提方法是否能在点云密度、噪声和几何复杂度各异的多样化3D数据集上实现良好泛化？
• RQ5 该算法是否能在无回环检测的情况下，实现在大规模激光雷达数据上超过10 Hz的实时性能？

主要发现

• 所提方法在性能上相比最先进ICP和GMM方法最高提升10倍，在Velodyne激光雷达数据（每帧13,878个点）上实现17–39 Hz的帧率。
• 在Velodyne激光雷达数据集上，该方法在无回环检测或外部里程计的情况下，可在城市街区尺度距离上保持亚米级精度。
• 该方法在精度上优于或匹配最佳ICP变体，同时比次优的GMM方法快约两倍。
• GMM-Tree表示实现了对数时间数据关联，将复杂度从O(N²)降低至O(log J)，其中J为分量数量。
• 基于PCA的马氏距离近似即使在完全各向异性的协方差下，也能良好逼近真实MLE解，显著提升了对各向同性GMM方法的鲁棒性。
• 该方法在多样化数据集（包括结构光扫描和激光雷达扫描）上表现出强泛化能力，在速度和精度上均保持一致的性能提升。