[论文解读] Fast Rigid 3D Registration Solution: A Simple Method Free of SVD and Eigen-Decomposition

Jin Wu, Ming Liu+2 more|ArXiv.org|Jun 2, 2018

Robotics and Sensor-Based Localization参考文献 36被引用 5

一句话总结

本文提出 FA3R，一种快速刚性 3D 配准方法，通过使用迭代线性代数方法计算最优旋转矩阵和四元数，避免了奇异值分解（SVD）和特征分解。该方法在保持精度的同时，相比基于 SVD 和 EIG 的求解器，计算速度提升了 60–80%，并可在嵌入式系统中实现高效的定点运算。

ABSTRACT

A novel solution is obtained to solve the rigid 3D registration problem, motivated by previous eigen-decomposition approaches. Different from existing solvers, the proposed algorithm does not require sophisticated matrix operations e.g. singular value decomposition or eigenvalue decomposition. Instead, the optimal eigenvector of the point cross-covariance matrix can be computed within several iterations. It is also proven that the optimal rotation matrix can be directly computed for cases without need of quaternion. The simple framework provides very easy approach of integer-implementation on embedded platforms. Simulations on noise-corrupted point clouds have verified the robustness and computation speed of the proposed method. The final results indicate that the proposed algorithm is accurate, robust and owns over $60\% \sim 80\%$ less computation time than representatives. It has also been applied to real-world applications for faster relative robotic navigation.

研究动机与目标

• 解决实时和嵌入式系统中刚性 3D 配准的 SVD 和特征分解计算瓶颈。
• 开发一种避免浮点密集运算的方法，以实现在 FPGA 和 GPU 上的高效定点实现。
• 在显著降低计算时间的同时，保持与基于 SVD 的求解器相当的高精度和鲁棒性。
• 通过简化且适合整数运算的算法框架，实现更快的相对机器人导航和视觉里程计。

提出的方法

• 通过矩阵幂分析重新表述 3D 配准问题，基于简单的向量代数推导出迭代规则，而非依赖 SVD 或特征分解。
• 仅使用基本线性代数运算，迭代计算点交叉协方差矩阵的最优特征向量。
• 在某些情况下，直接计算旋转矩阵，避免依赖四元数参数化，从而简化求解路径。
• 使用迭代幂法收敛至点交叉协方差矩阵的主导特征向量，避免矩阵分解。
• 设计算法以保证数值稳定性，并适用于定点算术，支持在微控制器和 FPGA 上部署。
• 将该方法集成到 ICP 和 PnP 流程中，加速配准和视觉里程计，且不损失精度。

实验结果

研究问题

• RQ1 能否在不依赖 SVD 或特征分解的前提下，设计出保持精度的刚性 3D 配准求解器？
• RQ2 迭代线性代数方法能否在收敛速度和计算成本上优于传统的 SVD/EIG 方法？
• RQ3 所提方法是否适用于浮点计算能力有限的实时嵌入式系统？
• RQ4 在真实世界点云和视觉里程计任务中，该方法是否能保持精度？
• RQ5 该算法能否高效集成到 ICP 和 P3P 等现有流程中，以提升性能？

主要发现

• 在标准 PC 硬件上，所提出的 FA3R 算法相比基于 SVD 和 EIG 的求解器，计算时间减少了 60–80%。
• 在 KITTI 数据集和 'new tsukuba' 视觉里程计数据集上测试时，FA3R 的配准精度与 SVD 完全一致。
• 该方法成功从点云中重建出与高精度 IMU 提供的真值匹配的增量姿态估计。
• FA3R 在使用与 SVD 相同的 P3P 和 SURF 流程时，能实现计算时间显著降低的高精度视觉里程计轨迹。
• 该算法对点云中的噪声具有鲁棒性，并在多个真实场景和数据集上保持稳定性。
• 由于依赖于简单的线性运算，该框架非常适用于无 FPU 的嵌入式平台（如 STM32H743VIT6）的定点实现。