[论文解读] FilterReg: Robust and Efficient Probabilistic Point-Set Registration using Gaussian Filter and Twist Parameterization

Wei Gao, Russ Tedrake|arXiv (Cornell University)|Nov 26, 2018

Robotics and Sensor-Based Localization参考文献 43被引用 6

一句话总结

FilterReg 提出了一种快速且鲁棒的基于概率的点集配准方法，结合高斯滤波与扭曲参数化，通过将 E 步重新表述为滤波问题并实现 GPU 加速，实现了最先进性能。该方法在 CPU 上比现代 ICP 快 3–7 倍，在 GPU 并行化后比 CPU 版本快 7 倍，且比基于 GMM 的方法快数个数量级，同时在噪声、异常值和遮挡条件下对刚性、铰接式及形变物体均保持高精度。

ABSTRACT

Probabilistic point-set registration methods have been gaining more attention for their robustness to noise, outliers and occlusions. However, these methods tend to be much slower than the popular iterative closest point (ICP) algorithms, which severely limits their usability. In this paper, we contribute a novel probabilistic registration method that achieves state-of-the-art robustness as well as substantially faster computational performance than modern ICP implementations. This is achieved using a rigorous yet computationally-efficient probabilistic formulation. Point-set registration is cast as a maximum likelihood estimation and solved using the EM algorithm. We show that with a simple augmentation, the E step can be formulated as a filtering problem, allowing us to leverage advances in efficient Gaussian filtering methods. We also propose a customized permutohedral filter for improved efficiency while retaining sufficient accuracy for our task. Additionally, we present a simple and efficient twist parameterization that generalizes our method to the registration of articulated and deformable objects. For articulated objects, the complexity of our method is almost independent of the Degrees Of Freedom (DOFs), which makes it highly efficient even for high DOF systems. The results demonstrate the proposed method consistently outperforms many competitive baselines on a variety of registration tasks.

研究动机与目标

• 为解决基于概率的点集配准方法计算效率低下的问题，这些方法虽比 ICP 更鲁棒，但显著更慢。
• 在噪声、异常值和遮挡条件下，实现对大规模点云的高效、实时配准。
• 将基于概率的配准方法推广至铰接式与形变物体，同时保持极低的计算开销。
• 通过结合高效滤波与新型参数化方法，实现鲁棒性与速度的最先进性能。

提出的方法

• 该方法将点集配准建模为通过期望最大化（EM）算法求解的最大似然估计问题。
• 通过使用高斯滤波将 E 步重新表述为滤波问题，从而利用先进的滤波技术实现高效计算。
• 引入一种定制化的排列单纯形滤波器，以在保持精度的同时提升滤波步骤的效率。
• 提出扭曲参数化方法，以高效表示铰接式与形变系统中的变换，其复杂度几乎与自由度（DOFs）无关。
• 该方法支持 GPU 并行计算，尤其加速了 E 步，从而实现实时性能。
• 通过将观测点建模为概率分布，异常值通过将背景点视为异常值来处理。

实验结果

研究问题

• RQ1 基于概率的点集配准能否在鲁棒性方面媲美 ICP 的同时，实现相当的计算效率？
• RQ2 EM 基配准中的 E 步是否可被重新表述为滤波问题，以实现更快的计算速度？
• RQ3 扭曲参数化能否实现对高自由度铰接式与形变物体的高效且可扩展的配准？
• RQ4 在具有挑战性的条件下，该方法与最先进 ICP 和基于 GMM 的方法相比，在速度与精度上表现如何？

主要发现

• 在 CPU 上，该方法比现代 ICP 实现快 3–7 倍，且在 GPU 并行化后比 CPU 版本快 7 倍。
• 该方法比典型的基于 GMM 的概率配准方法快数个数量级，同时保持了相当的鲁棒性。
• 在包含 30 幅 RGBD 图像（含遮挡与光照变化）的数据集中，成功率达到 29/30，优于特征 ICP 的 25/30。
• 在 20 个自由度的铰接式跟踪任务中，扭曲参数化相比直接参数化实现了 10 倍的速度提升，实现了实时性能。
• 在快速运动的动态重建中，该方法正确跟踪了演员的手部运动，而投影 ICP 失败，表明其具有更优的鲁棒性。
• 在 GPU 上，基于滤波的 E 步比 CPU 版本快 8 倍，且扭曲参数化比优化的 GPU 求解器 Opt [8] 快 20 倍。