论文笔记—Voxelized GICP for Fast and Accurate 3D Point Cloud Registration

论文笔记—Voxelized GICP for Fast and Accurate 3D Point Cloud Registration

文章摘要

     ~~~~          ~~~    本文提出了体素化广义迭代最近点（VGICP）算法，用于快速准确的三维点云配准。所提出的方法通过体素化扩展了广义迭代最近点 (GICP) 方法，以避免代价高昂的最近邻搜索，同时保持其准确性。与从点位置计算体素分布的正态分布变换 (NDT) 相比，我们通过聚合体素中每个点的分布来估计体素分布。体素化方法使我们能够有效地并行处理优化，并且所提出的算法可以在 CPU 上以 30 Hz 和 GPU 上以 120 Hz 的频率运行。通过在模拟和真实环境中的评估，我们确认所提出算法的准确性与 GICP 相当，但比现有方法快得多。这将使实时 3D LIDAR 应用程序的开发成为可能，这些应用程序需要对 LIDAR 帧之间的相对位姿进行极快的评估。

关键词

点云、配准、GPU 计算

导语

     ~~~~          ~~~    三维 (3D) 点云的配准是许多 3D LIDAR 应用的关键任务，例如校准、定位、建图和环境识别。 3D LIDAR 有两种流行的点云配准方法：广义迭代最近点 (GICP) [8] 和正态分布变换 (NDT) [2, 4]。 GICP 以分布到分布比较的方式扩展了经典的 ICP 算法 [15] 以实现准确配准，而 NDT 则利用体素化方法来避免代价高昂的最近邻搜索并提高处理速度。这两种方法都有其自身的弱点。由于 GICP 和其他 ICP 变体高度依赖于最近邻搜索，因此如果点数很大，有时很难在计算能力有限的计算机上实时运行它们。NDT 通常对体素分辨率的选择非常敏感。最佳体素分辨率取决于环境和传感器特性，如果我们不选择合适的分辨率，NDT的配准精度会急剧下降。
　　在本文中，我们提出了体素化 GICP（VGICP）算法，用于快速准确的 3D 点云配准。 体素化方法使所提出的算法能够高效地并行运行，我们的 VGICP 实现可以在 CPU 上以 30 Hz 和 GPU 上以 120 Hz 的频率处理包含 15,000 个点的点云。 通过聚合体素中所有点的分布（多点分布到单体素分布），我们可以稳健地估计体素的分布。 与从点位置估计体素分布的 NDT 相比，即使体素中的点很少，这种方法也能产生有效的体素分布，从而产生一种对体素分辨率变化具有鲁棒性的算法。 在模拟和真实环境中的评估表明，所提出的 VGICP 算法显示出与 GICP 相当的配准精度，并且在处理速度方面优于其他方法。
　　本文的贡献是三方面的。 首先，我们提出了一种多点分布聚合方法，可以从较少数量的点中稳健地估计体素的分布。 其次，我们提出了 VGICP 算法，它与 GICP 一样准确，但比现有方法快得多。 第三，实现可从公共存储库1 获得。 该存储库包含提议的 VGICP 的实现以及 GICP 的并行实现。

相关工作

A.GICP

     ~~~~          ~~~    经典 ICP 算法有许多变体，例如 Trimmed ICP [3] 和 Normal ICP [9]。 GICP [8] 是最流行的 ICP 变体之一。 GICP 以分布到分布的匹配方式扩展了经典的 ICP 算法。 尽管它以其良好的准确性而闻名，但该算法（和其他 ICP 变体）高度依赖最近邻搜索来关联最近点。 尽管通常使用基于 KD 树的高效搜索，但最近邻搜索经常成为瓶颈，使得算法在点数较多时无法实时运行。 此外，基于最近邻搜索的方法不适合在 GPU 上进行优化，因为它大量使用条件分支，这显着降低了 GPU 计算的效率。

B.NDT

     ~~~~          ~~~    NDT [2] 采用基于体素的关联方法，而不是精确的最近邻搜索。该算法首先将输入点云拆分为一组体素，并用正态分布拟合到每个体素中的点。然后，它通过找到最大化输入点在体素分布下的可能性的变换，将另一个点云与体素化的点云对齐。因为 NDT 避免了代价高昂的最近邻关联，所以它本质上比 ICP 变体算法快得多。 D2D-NDT（Distribution-to-Distribution NDT）[12]是NDT的扩展，它对源点云和目标点云进行体素化，并计算源体素和目标体素分布之间的距离。其比较方案类似于GICP，[5]表明D2D-NDT在准确性方面优于经典NDT。然而，NDT及其变体的准确性取决于体素大小的选择。为了获得 NDT 的最佳性能，我们需要根据传感器和环境属性仔细选择合适的体素大小。一些研究提出了使 NDT 对超参数变化具有鲁棒性的方法（例如，多分辨率 [13] 和三线性体素平滑 [4]）。然而，这些扩展对处理速度有负面影响。

C.基于特征的配准

     ~~~~          ~~~    基于特征的配准方法首先从输入点云中提取一些有代表性的特征，然后从特征对应关系中估计变换。已经提出了许多用于点云配准的特征，例如基本平面和边缘特征 [11,15]、快速点特征直方图 (FPFH) [6] 和方向直方图特征 (SHOT) [7]。由于这些特征能够稳健地找到点云之间的对应关系，因此基于特征的方法对初始位姿误差具有内在的鲁棒性（有些甚至不需要初始估计）。但是，由于基于特征的方法仅使用有限数量的特征（通常远小于输入点的数量），因此其准确性不如基于点的方法。因此，在典型用例中，在基于特征的方法之后执行基于点的精细配准。基于特征和基于点的配准方法是正交的，应该相互补充。

提出的方法

     ~~~~          ~~~    在本节中，我们首先解释 GICP 算法，然后以一对多分布对应的方式对其进行扩展以推导出我们的 VGICP 算法

A.GICP算法

     ~~~~          ~~~    我们考虑变换$\mathbf{T}$的估计，它将一组点$\mathcal{A}=$