[论文解读] Hidden Markov Random Field Iterative Closest Point

John Stechschulte, Christoffer Heckman|arXiv (Cornell University)|Nov 7, 2017

Robotics and Sensor-Based Localization参考文献 33被引用 3

一句话总结

该论文提出了一种隐藏马尔可夫随机场（HMRF）扩展的迭代 closest point（ICP）算法，通过高斯混合模型对深度图中的内点和外点状态进行建模，并采用期望最大化（EM）推理来估计隐藏状态。该方法在低重叠场景下提升了配准精度和收敛速度，在36%重叠度下实现了亚0.04米的平移误差和0.2弧度的旋转误差，优于标准ICP及其他外点剔除方法。

ABSTRACT

When registering point clouds resolved from an underlying 2-D pixel structure, such as those resulting from structured light and flash LiDAR sensors, or stereo reconstruction, it is expected that some points in one cloud do not have corresponding points in the other cloud, and that these would occur together, such as along an edge of the depth map. In this work, a hidden Markov random field model is used to capture this prior within the framework of the iterative closest point algorithm. The EM algorithm is used to estimate the distribution parameters and the hidden component memberships. Experiments are presented demonstrating that this method outperforms several other outlier rejection methods when the point clouds have low or moderate overlap.

研究动机与目标

• 为解决ICP在低重叠点云配准中性能不佳的问题，特别是当非重叠区域包含结构化外点时。
• 将深度图中的内点和外点状态建模为隐藏马尔可夫随机场（HMRF），以利用空间上下文信息并提高鲁棒性。
• 使用带有平均场近似的EM算法推断隐藏的内点/外点状态，并估计混合模型参数。
• 证明HMRF-ICP在低重叠环境下相较于标准ICP及其他外点剔除技术，具有更高的配准精度和更快的收敛速度。
• 通过提升对齐的鲁棒性，减少实现完整3D重建所需的扫描次数，从而实现更高效的三维重建。

提出的方法

• 该方法将自由点云中各点到其最近固定点云点的距离观测建模为高斯混合分布：一个分量用于内点，一个分量用于外点。
• 隐藏马尔可夫随机场（HMRF）编码空间依赖关系，其中每个像素的状态（内点/外点）通过类似Potts的势函数受其邻近像素影响。
• 采用EM算法进行推理：E步使用平均场近似估计隐藏状态的后验概率，M步更新混合模型参数。
• HMRF模型以均匀先验初始化，并在首次ICP迭代前经过370次EM迭代逐步优化。
• 随后仅使用推断出的内点执行ICP，通过基于SVD的闭式解法最小化点到点距离的平方和。
• 该方法假设具有2D网格结构（例如来自结构光或立体视觉传感器），邻接关系定义在4-连通网格上。

实验结果

研究问题

• RQ1 通过捕捉内点/外点状态中的空间上下文信息，基于概率的HMRF模型是否能提升ICP在低重叠点云配准中的性能？
• RQ2 使用带有平均场近似的EM推理是否能实现比基于阈值或固定比例外点剔除更准确、更鲁棒的内点检测？
• RQ3 在不同重叠水平下，HMRF-ICP与标准ICP及其他外点剔除方法相比，在收敛速度和变换精度方面表现如何？
• RQ4 HMRF模型是否能有效适应稀疏内点分布（如36%重叠场景），而不会发散？
• RQ5 空间先验对在存在遮挡和数据缺失的结构化深度图中抑制外点有何影响？

主要发现

• 在36%重叠度下，HMRF-ICP实现了0.017米的平移误差和0.0776弧度的旋转误差，显著优于其他方法。
• 在鲨鱼序列中，HMRF-ICP在所有重叠水平下均保持低误差（最大平移误差0.036米，最大旋转误差0.196弧度），且在低重叠时收敛更快。
• 在书桌序列中，当重叠度低于20%时性能下降，最大误差达1.55米（平移）和1.97弧度（旋转），表明在极端低重叠情况下存在局限性。
• HMRF模型将初始外点估计从62%降低至370次EM迭代后的20%，显著提升了对齐稳定性。
• HMRF-ICP在重叠度下降时表现出最小的性能退化，而其他方法则出现速度下降或发散，表明其在稀疏数据场景下具有鲁棒性。
• 在低重叠条件下，HMRF-ICP的收敛速度优于标准ICP，因为EM推断的内点集合避免了陷入局部极小值。