[论文解读] PCR-Pro: 3D Sparse and Different Scale Point Clouds Registration and Robust Estimation of Information Matrix For Pose Graph SLAM

M. Usman Maqbool Bhutta, Ming Liu|arXiv (Cornell University)|Aug 29, 2018

Robotics and Sensor-Based Localization被引用 4

一句话总结

PCR-Pro 提出了一种针对 3D 稀疏多尺度点云配准的稳健方法，通过基于关键帧的姿态优化，准确估计变换和尺度差异，实现全局收敛，并实现最小协方差，从而在姿态图 SLAM 中实现可靠的信息矩阵估计。

ABSTRACT

For both indoor and outdoor environments, we propose an efficient and novel method for different scales and sparse 3D point clouds registration that cannot be handled by the current popular ICP approaches. Our algorithm efficiently detects the scale difference between point clouds and uses the keyframes to estimate the relative pose for calculating the scale difference. The algorithm applies a filter and computes the final transformation which coverages to a global minimum. The good estimation of transform and scale helps in the calculation of the covariance matrix using a closed form solution efficiently. This covariance between point clouds helps in the estimation of information matrix for pose-graph SLAM.

研究动机与目标

• 解决当前 ICP 方法难以有效处理的稀疏且多尺度 3D 点云配准挑战。
• 在不预先知晓尺度差异的情况下，实现点云之间精确的变换和尺度估计。
• 在点云配准中实现全局收敛，以最小化估计不确定性。
• 提供协方差矩阵的闭式解，以支持姿态图 SLAM 中稳健的信息矩阵计算。
• 通过支持来自不同传感器和摄像系统、尺度和稀疏性不一致的数据融合，支持多智能体 SLAM 系统。

提出的方法

• 利用关键帧通过相对姿态估计检测源点云与目标点云之间的尺度差异。
• 应用一种过滤机制以优化对应关系，提升收敛至全局最小值的能力。
• 采用基于 ICP 的优化方法，使用点到点误差函数以最小化变换误差。
• 通过 ICP 目标函数的二阶导数（即海森矩阵）推导，估计一个 6×6 的协方差矩阵。
• 将信息矩阵计算为估计协方差矩阵的逆矩阵，用于姿态图优化。
• 实施基于阈值的对应关系限制，以减少计算时间，同时保持估计精度。

实验结果

研究问题

• RQ1 当标准 ICP 方法失效时，如何准确配准具有显著尺度差异和稀疏性的 3D 点云？
• RQ2 能否开发一种稳健的变换与尺度估计方法，使稀疏点云的配准能收敛至全局最小值？
• RQ3 如何高效且准确地估计用于姿态图 SLAM 的变换协方差矩阵？
• RQ4 低协方差对信息矩阵及其在 SLAM 中后续姿态图优化的影响是什么？
• RQ5 所提出的方法能否支持具有异构传感器数据和不一致尺度的多智能体 SLAM 系统？

主要发现

• PCR-Pro 在室内和室外环境中均能成功收敛至全局最小值，无论点云的稀疏性或尺度差异如何。
• 由于变换估计精度高，所估计的协方差矩阵始终较小，表明姿态对齐的不确定性较低。
• 由协方差矩阵逆矩阵导出的信息矩阵极为可靠，使得在姿态图优化中可使用带大权重的单位矩阵。
• 通过对应关系阈值策略，算法保持了较低的计算成本，提高了效率而不牺牲精度。
• 使用 LSD-SLAM 数据集的验证结果表明，该方法在具有不同尺度和稀疏性的多样化真实场景中表现出稳健性能。
• 该方法能够有效融合来自不同传感器和系统的点云，支持多智能体 SLAM 应用。