[论文解读] RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility

Lei Sun|arXiv (Cornell University)|Apr 19, 2021

Robotics and Sensor-Based Localization参考文献 51被引用 31

一句话总结

RANSIC 是一种新颖、快速且高度鲁棒的旋转搜索与点云配准估计器，通过在随机采样中利用不变兼容性，即使在极端 outlier 比例下也能识别内点。通过构建问题特定的不变量并使用基于图的兼容性测试，RANSIC 实现了近乎完美的内点召回率（≈100%），并能抵御高达 99% 的 outlier，其在速度、精度和 outlier 容忍度方面均优于当前最先进方法。

ABSTRACT

Correspondence-based rotation search and point cloud registration are two fundamental problems in robotics and computer vision. However, the presence of outliers, sometimes even occupying the great majority of the putative correspondences, can make many existing algorithms either fail or have very high computational cost. In this paper, we present RANSIC (RANdom Sampling with Invariant Compatibility), a fast and highly robust method applicable to both problems based on a new paradigm combining random sampling with invariance and compatibility. Generally, RANSIC starts with randomly selecting small subsets from the correspondence set, then seeks potential inliers as graph vertices from the random subsets through the compatibility tests of invariants established in each problem, and eventually returns the eligible inliers when there exists at least one K-degree vertex (K is automatically updated depending on the problem) and the residual errors satisfy a certain termination condition at the same time. In multiple synthetic and real experiments, we demonstrate that RANSIC is fast for use, robust against over 95% outliers, and also able to recall approximately 100% inliers, outperforming other state-of-the-art solvers for both the rotation search and the point cloud registration problems.

研究动机与目标

• 解决基于对应关系的 3D 配准与旋转估计中极端 outlier 比例（通常 >95%）的挑战。
• 克服 RANSAC 和 BnB 在高 outlier 比例下计算成本过高或失效的局限性。
• 开发一种鲁棒、高效且独立的求解器，无需初始猜测值或外部团/核心求解器。
• 在已知尺度与未知尺度点云配准中，实现旋转、平移和尺度的精确估计。
• 在高噪声和极端 outlier 条件下，仍能实现高内点召回率和低残差误差。

提出的方法

• 提出一种新范式，结合随机采样与不变兼容性，直接从随机子集检测内点。
• 为旋转搜索与点云配准定义问题特定的不变量函数，以编码几何约束。
• 构建无向兼容性图，其中顶点表示候选内点，边表示通过不变量实现的相互兼容性。
• 使用 K-度顶点检测（K 动态更新）和残差误差规律性作为终止条件，识别鲁棒解。
• 应用迭代细化，结合自适应阈值（α, β）以提升精度，同时保持鲁棒性。
• 集成终止机制，在检测到足够多兼容内点且残差稳定后停止采样。

实验结果

研究问题

• RQ1 基于随机采样的方法能否在旋转搜索与点云配准中实现对 95–99% outlier 的鲁棒性？
• RQ2 不变兼容性能否被用于主动寻找内点，而不仅用于剔除 outlier，从而实现独立求解器？
• RQ3 该方法能否在保持高计算效率的同时实现接近 100% 的内点召回率？
• RQ4 所提出的图论兼容性框架与 RANSAC、BnB 和 GNC 等现有方法相比，在极端 outlier 条件下表现如何？
• RQ5 该方法能否在无需外部求解器的情况下，同时推广至已知尺度与未知尺度配准？

主要发现

• RANSIC 在所有测试场景中均实现了接近 100% 的内点召回率，包括旋转搜索以及已知与未知尺度点云配准。
• RANSIC 在点云配准中可容忍高达 99% 的 outlier，优于 RANSAC(10000)、FGR 和 BnB，后三者在 95–96% outlier 比例下即失效。
• 在已知尺度配准中，RANSIC 即使在 99% outlier 比例下仍保持亚度级旋转误差和亚像素级平移误差。
• 当 outlier 比例低于 96% 时，RANSIC 是所测试方法中速度最快的，其运行时间显著低于 RANSAC(10000) 和 BnB。
• 在高噪声实验中（σ = 0.1），RANSIC 可成功处理 80% 的 outlier，而大多数其他求解器失效，表明其在噪声条件下的鲁棒性。
• RANSIC 在尺度估计中精度最高，优于 AV 和 1-pt RSC，后两者在 90% outlier 比例下即失效。