[论文解读] IRON: Invariant-based Highly Robust Point Cloud Registration

Lei Sun|arXiv (Cornell University)|Mar 7, 2021

Robotics and Sensor-Based Localization参考文献 38被引用 5

一句话总结

IRON 是一种非最小化、基于不变性的点云配准方法，在已知尺度和未知尺度场景下均能实现对高达 99% 异常值的最先进鲁棒性。它结合了 RANSIC 用于尺度与内点估计，SOS 松弛用于可证明最优的旋转/平移恢复，以及 RT-GNC 用于高效异常值剔除，在真实世界数据集上的准确性和速度均优于现有方法。

ABSTRACT

In this paper, we present IRON (Invariant-based global Robust estimation and OptimizatioN), a non-minimal and highly robust solution for point cloud registration with a great number of outliers among the correspondences. To realize this, we decouple the registration problem into the estimation of scale, rotation and translation, respectively. Our first contribution is to propose RANSIC (RANdom Samples with Invariant Compatibility), which employs the invariant compatibility to seek inliers from random samples and robustly estimates the scale between two sets of point clouds in the meantime. Once the scale is estimated, our second contribution is to relax the non-convex global registration problem into a convex Semi-Definite Program (SDP) in a certifiable way using Sum-of-Squares (SOS) Relaxation and show that the relaxation is tight. For robust estimation, we further propose RT-GNC (Rough Trimming and Graduated Non-Convexity), a global outlier rejection heuristic having better robustness and time-efficiency than traditional GNC, as our third contribution. With these contributions, we can render our registration algorithm, IRON. Through experiments over real datasets, we show that IRON is efficient, highly accurate and robust against as many as 99% outliers whether the scale is known or unknown, outperforming the existing state-of-the-art algorithms.

研究动机与目标

• 解决在已知尺度和未知尺度场景下，异常值比例高达 99% 时的高鲁棒性点云配准挑战。
• 将配准问题解耦为尺度、旋转和平移估计，以提升鲁棒性和模块化程度。
• 针对已知尺度情形，利用平方和（SOS）松弛方法，开发一种可证明全局最优的解法。
• 设计一种快速且鲁棒的异常值剔除启发式方法 RT-GNC，以提升传统 GNC 的收敛性和鲁棒性。

提出的方法

• RANSIC（带不变性兼容性的随机样本）利用不变性兼容性，从随机对应关系中同时识别内点并估计尺度。
• 该方法通过平方和（SOS）松弛将非凸全局配准问题转化为凸半定规划（SDP），确保解的紧致性和可证明的全局最优性。
• RT-GNC（粗略修剪与渐进非凸性）通过结合粗略修剪与渐进非凸优化，加速收敛并增强鲁棒性。
• 算法首先处理尺度估计，然后应用 SOS 松弛进行旋转和平移恢复，最后通过 RT-GNC 进行最终优化。
• 该框架专为非最小化求解器设计，无需依赖最小样本集即可实现高鲁棒性。
• IRON 在已知尺度和未知尺度设置下均进行了评估，并提出了一个基于特征值的快速变体（IRON*）以提升效率。

实验结果

研究问题

• RQ1 非最小化配准方法是否能在已知尺度和未知尺度的点云配准中，对高达 99% 的异常值保持鲁棒性？
• RQ2 如何利用不变性兼容性，在高度污染的对应关系中同时估计尺度并识别内点？
• RQ3 SOS 松弛是否能为高异常值比例下的全局配准问题提供紧致且可证明最优的解？
• RQ4 如何改进 GNC 的收敛性和鲁棒性，以提升点云配准中异常值剔除的效果？
• RQ5 所提出的方法是否能在真实世界数据集上，于准确性、鲁棒性和运行时间方面超越最先进求解器？

主要发现

• 在异常值比例达 95.87% 的真实物体定位任务中，IRON 实现了 (2.83×10⁻⁷, 8.87×10⁻⁶°, 3.98×10⁻⁷m) 的精确配准误差。
• 在 99% 异常值比例下，IRON 仍保持 90% 的内点召回率和 100% 的异常值剔除率，展现出卓越的鲁棒性。
• RT-GNC 的速度比传统 GNC 求解器快三倍以上，且鲁棒性更强，可容忍高达 99% 的异常值。
• 在已知尺度配准中，IRON 在准确性和速度上均优于 FGR、GORE、RANSAC 和 TEASER，尤其在异常值比例超过 90% 时表现更优。
• 在未知尺度配准中，IRON 的准确性和速度均优于 RANSAC，而 RANSAC 在 96% 异常值时已完全失效。
• IRON* 变体在显著提升运行时间的同时，保持了与 IRON 相当的精度，使其适用于实时应用。