[论文解读] Nonparametric Continuous Sensor Registration

William Clark, Maani Ghaffari+1 more|arXiv (Cornell University)|Jan 8, 2020

Robotics and Sensor-Based Localization参考文献 66被引用 8

一句话总结

本文提出了一种非参数化、连续的传感器校准框架，将传感器数据建模为再生核希尔伯特空间（RKHS）中的函数，从而实现几何与语义信息的联合表示。通过利用李群作用和具有闭式梯度与海森矩阵的黎曼优化，该方法实现了分辨率无关的校准，在纹理稀少的RGB-D环境中优于最先进视觉里程计方法。

ABSTRACT

This paper develops a new mathematical framework that enables nonparametric joint semantic and geometric representation of continuous functions using data. The joint embedding is modeled by representing the processes in a reproducing kernel Hilbert space. The functions can be defined on arbitrary smooth manifolds where the action of a Lie group aligns them. The continuous functions allow the registration to be independent of a specific signal resolution. The framework is fully analytical with a closed-form derivation of the Riemannian gradient and Hessian. We study a more specialized but widely used case where the Lie group acts on functions isometrically. We solve the problem by maximizing the inner product between two functions defined over data, while the continuous action of the rigid body motion Lie group is captured through the integration of the flow in the corresponding Lie algebra. Low-dimensional cases are derived with numerical examples to show the generality of the proposed framework. The high-dimensional derivation for the special Euclidean group acting on the Euclidean space showcases the point cloud registration and bird's-eye view map registration abilities. An implementation of this framework for RGB-D cameras outperforms the state-of-the-art robust visual odometry and performs well in texture and structure-scarce environments.

研究动机与目标

• 解决在低纹理或低结构环境中传感器校准的挑战，通过实现传感器数据的连续非参数化表示。
• 开发一个统一框架，联合建模传感器测量中的几何与语义（如外观）信息。
• 通过将传感器数据建模为连续函数而非离散采样，实现分辨率无关的校准。
• 利用具有闭式表达式的梯度与海森矩阵的李群上的黎曼优化，形式化校准问题。
• 通过理论推导与在RGB-D相机和点云上的实证验证，展示该框架的通用性与鲁棒性。

提出的方法

• 将传感器测量表示为再生核希尔伯特空间（RKHS）中的连续函数，从而实现对几何与外观的非参数化建模。
• 通过李群（如SE(3)）在流形域上的连续作用来建模函数对齐，其中群作用通过相应李代数中流的积分表示。
• 在群作用下，将校准问题形式化为两个RKHS函数内积的最大化，从而转化为黎曼优化问题。
• 利用微分几何与李群理论，推导出目标函数的黎曼梯度与海森矩阵的闭式表达式。
• 利用欧拉-庞加莱方程描述李群上的测地线，通过黎曼指数映射实现高效优化。
• 在C++中实现该框架，用于实时RGB-D视觉里程计，利用解析海森矩阵提升收敛性与鲁棒性。

实验结果

研究问题

• RQ1 在RKHS中对传感器数据采用非参数化连续表示，是否能够实现无需依赖离散信号采样的联合几何与语义校准？
• RQ2 如何系统性地将李群作用整合到黎曼优化框架中，以实现分辨率无关的传感器校准？
• RQ3 在此连续校准设置下，黎曼梯度与海森矩阵的闭式表达式是什么？它们如何实现高效优化？
• RQ4 所提方法在纹理稀少与结构稀少环境中的性能，相较于最先进视觉里程计方法，优越程度如何？
• RQ5 该框架能否推广至高维场景，如利用特殊欧氏群实现点云与鸟瞰图地图的校准？

主要发现

• 所提框架在RGB-D视觉里程计中达到最先进性能，尤其在纹理稀少与结构稀少环境中表现卓越。
• 黎曼海森矩阵的闭式推导实现了更精确与稳定的优化，提升了位姿估计的可靠性。
• 低维情况下的数值示例验证了该框架在不同流形与群设置下的通用性与鲁棒性。
• SE(3)的高维推导成功应用于点云校准与鸟瞰图地图校准。
• 实现结果在挑战性环境中优于DVO（直接视觉里程计），验证了该方法的鲁棒性与效率。
• 开源代码已公开，支持可复现性，并可进一步拓展至机器人学与计算机视觉应用。