[论文解读] NDD: A 3D Point Cloud Descriptor Based on Normal Distribution for Loop Closure Detection

Ruihao Zhou, Li He+3 more|arXiv (Cornell University)|Sep 26, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

该论文提出了一种新型的3D点云全局描述子——正态分布描述子（NDD），用于基于LiDAR的回环检测，其通过编码点云的概率密度得分和熵来实现。通过利用皮尔逊相关系数相似度，并结合基于行向量变换的快速旋转对齐方法，NDD在KITTI和Mulran数据集上实现了SOTA级别的准确率与效率，F1得分为0.896，总耗时为72ms。

ABSTRACT

Loop closure detection is a key technology for long-term robot navigation in complex environments. In this paper, we present a global descriptor, named Normal Distribution Descriptor (NDD), for 3D point cloud loop closure detection. The descriptor encodes both the probability density score and entropy of a point cloud as the descriptor. We also propose a fast rotation alignment process and use correlation coefficient as the similarity between descriptors. Experimental results show that our approach outperforms the state-of-the-art point cloud descriptors in both accuracy and efficency. The source code is available and can be integrated into existing LiDAR odometry and mapping (LOAM) systems.

研究动机与目标

• 为解决现有全局描述子在3D LiDAR回环检测中面对方向敏感性与计算低效性的局限性。
• 开发一种手工设计的全局描述子，以捕捉点云的局部分布与结构特性，无需依赖深度学习或复杂聚类。
• 通过将余弦相似度替换为皮尔逊相关系数，并引入一种快速旋转对齐方法，提升匹配准确率与检索速度。
• 在标准基准测试中实现高性能的同时，保持低计算开销，以支持实时部署。

提出的方法

• NDD通过双尺度统计量编码3D点云：基于局部点云邻域拟合的正态分布模型所推导出的概率密度得分（P）与熵（E）。
• 将完整描述子转换为1×Ns的行向量，以支持通过皮尔逊相关系数实现快速相似度计算，替代传统的余弦相似度。
• 提出一种新颖的快速旋转对齐策略：通过列方向平移后的行向量比较，显著降低对齐时间，相比基于矩阵的比较方法有明显优势。
• 描述子通过类似Scan Context的网格投影生成，分辨率为20×60，并采用基于高度的编码方式，以增强对尺度与分辨率变化的鲁棒性。
• 采用关键帧搜索策略以加速检索，相比完整描述子比较，平均耗时降低99%。
• 采用皮尔逊相关系数作为描述子之间的相似度度量，实验证明其在匹配性能上优于余弦相似度。

Figure 1: Approach overview. First, one point cloud is divided into cells and one cell is represented by its probability density score and entropy. Then, A vector named searching key is compressed from full descriptor and used to create a KD-tree for retrieving the nearest neighbors. Finally, the re

实验结果

研究问题

• RQ1 基于点云统计特性的手工设计全局描述子是否能在回环检测的准确率与效率上超越现有SOTA方法？
• RQ2 将概率密度得分与熵结合使用，如何提升描述子对视角变化与噪声的鲁棒性？
• RQ3 将余弦相似度替换为皮尔逊相关系数，是否能在真实世界LiDAR数据集上带来可测量的匹配性能提升？
• RQ4 所提出的快速旋转对齐方法在不牺牲准确率的前提下，能在多大程度上降低计算开销？
• RQ5 该描述子能否高效集成到现有的LiDAR里程计与建图（LOAM）系统中？

主要发现

• 所提出的NDD描述子在KITTI 08数据集上取得了0.896的F1得分，优于所有单特征基线方法，且比次优方法（ISC）高出3.6个百分点。
• NDD中概率密度得分与熵（P+E）的结合使F1得分比最优单特征方法（P）高出13.1%，证明了多尺度统计编码的有效性。
• 相比余弦相似度，采用皮尔逊相关系数相似度使F1得分提升8.2%，EP提升5.4%，证实其在描述子匹配中的优越性。
• NDD在KITTI 08上的总耗时为72ms，显著低于IRIS（5533ms）与M2DP（180ms），且与ISC（76ms）相当，但准确率高得多。
• 基于行向量的旋转对齐方法将对齐时间降至9.78ms，相比基于矩阵的方法与二值化方法分别提升了53%与56%。
• 在Mulran Sejong 01数据集上，关键帧搜索将检索时间从1567ms降低至35ms，F1得分仅下降0.4%，充分证明了其实际效率。

Figure 2: Cell division of a BEV representation