[论文解读] KISS-ICP: In Defense of Point-to-Point ICP -- Simple, Accurate, and Robust Registration If Done the Right Way

Ignacio Vizzo, Tiziano Guadagnino+4 more|arXiv (Cornell University)|Sep 30, 2022

Robotics and Sensor-Based Localization被引用 7

一句话总结

本文提出 KISS-ICP，一种基于点对点 ICP 的简单但高度有效的激光雷达里程计系统，结合自适应阈值、鲁棒核、运动补偿和点云下采样。该系统在无需 IMU 或传感器特定调优的情况下，使用相同参数即可在多种平台（包括汽车、无人机、Segway 和手持激光雷达）上实现最先进性能，且在所有数据集中运行速度均超过传感器帧率。

ABSTRACT

Robust and accurate pose estimation of a robotic platform, so-called sensor-based odometry, is an essential part of many robotic applications. While many sensor odometry systems made progress by adding more complexity to the ego-motion estimation process, we move in the opposite direction. By removing a majority of parts and focusing on the core elements, we obtain a surprisingly effective system that is simple to realize and can operate under various environmental conditions using different LiDAR sensors. Our odometry estimation approach relies on point-to-point ICP combined with adaptive thresholding for correspondence matching, a robust kernel, a simple but widely applicable motion compensation approach, and a point cloud subsampling strategy. This yields a system with only a few parameters that in most cases do not even have to be tuned to a specific LiDAR sensor. Our system using the same parameters performs on par with state-of-the-art methods under various operating conditions using different platforms: automotive platforms, UAV-based operation, vehicles like segways, or handheld LiDARs. We do not require integrating IMU information and solely rely on 3D point cloud data obtained from a wide range of 3D LiDAR sensors, thus, enabling a broad spectrum of different applications and operating conditions. Our open-source system operates faster than the sensor frame rate in all presented datasets and is designed for real-world scenarios.

研究动机与目标

• 解决缺乏可泛化、开箱即用的激光雷达里程计系统的问题，这些系统可在不同传感器、运动轨迹和环境中无需参数调优即可运行。
• 挑战激光雷达里程计领域日益复杂的趋势，证明当配置得当时，经典点对点 ICP 依然极为有效。
• 开发一种无需 IMU 或轮式里程计、仅依赖各类激光雷达传感器的 3D 点云即可稳健运行的系统。
• 在包括高动态车辆、无人机和手持设备在内的多种机器人平台上实现高精度与实时性能。
• 通过展示简洁性与合理工程选择的结合可达到甚至超越复杂最先进方法，确立激光雷达里程计的新基线。

提出的方法

• 以点对点 ICP 作为核心配准算法，避免使用特征提取或基于学习的方法。
• 采用自适应阈值进行数据关联，根据机器人的运动轨迹动态调整，无需为每个数据集设置固定阈值。
• 使用鲁棒核（如 Cauchy 核）以降低对应匹配中异常值的影响。
• 实施恒定速度运动模型进行运动补偿（去畸变），以校正扫描采集过程中的运动失真。
• 通过空间下采样减少点云计算负载，同时保持几何保真度。
• 仅通过少量参数优化系统，其中大多数参数在所有数据集和平台间保持固定。

实验结果

研究问题

• RQ1 一个简单的基于点对点 ICP 的里程计系统是否能在无需参数调优的情况下，在多种机器人平台和传感器类型上实现最先进性能？
• RQ2 与固定阈值相比，用于数据关联的自适应阈值策略是否能提升鲁棒性和泛化能力，特别是在不同运动轨迹下？
• RQ3 是否能通过简单的恒定速度模型有效补偿运动失真，而无需依赖 IMU 或轮式里程计？
• RQ4 在真实场景中，一个极简的、非学习型 ICP 系统的性能与复杂且手工调优的 SLAM 系统相比如何？
• RQ5 单一参数配置在点云密度、扫描模式和运动动力学差异巨大的数据集之间，其适用范围有多大？

主要发现

• KISS-ICP 在 KITTI 数据集（序列 00–10）上实现了 0.50% 的相对平移误差，优于固定阈值 ICP，并与更复杂的系统（如 MULLS 和 IMLS-SLAM）相当或更优。
• 自适应阈值策略在 KITTI 序列上实现了最佳平均性能，优于固定阈值（例如，序列 04 的误差为 0.36%，而固定 1.0 米阈值下为 0.39%）。
• 通过恒定速度模型实现的运动补偿将平移误差从无去畸变时的 0.91% 降低至 0.49%（基于 CV 的去畸变），证明了其在无 IMU 情况下的有效性。
• 系统在所有数据集上的运行频率为 38–51 Hz，均超过传感器帧率，表明其具备实时可行性。
• 若不使用鲁棒核，系统仍可实现 0.67% 的平移误差，但引入鲁棒核后性能显著提升，凸显其在异常值鲁棒性方面的重要性。
• 同一套参数配置适用于车载、无人机、Segway 和手持激光雷达数据集，证明了其在传感器类型、运动轨迹和环境条件上的强泛化能力。