基于局部一致性的多点云 robust 概率联合配准方法
机器人学
2024-09-17 v1
摘要
在机器人检测中，多点云的联合配准是估计测量部件之间转换关系的关键技术，例如船翼上的多个叶片。然而，数据中存在的噪声和离群点会显著影响配准性能，通过影响对应关系的正确性。为此，我们将局部一致性属性纳入基于概率的联合配准方法中。具体而言，将每个测量点集视为来自未知高斯混合模型(GMM)的样本，将配准问题建模为估计概率模型。通过在优化过程中引入局部一致性，我们增强了后验分布的鲁棒性和准确性，这些后验分布代表着一对多的对应关系，直接决定配准结果。推导了基于期望最大化(EM)算法的转换和概率参数的有效闭式解。大量实验表明，我们的方法优于现有方法，在噪声和离群点存在的情况下仍能实现高精度和高鲁棒性。该代码将在 https://github.com/sulingjie/JPRLC_registration 上提供。
引用
@article{arxiv.2409.09682,
title = {A Robust Probability-based Joint Registration Method of Multiple Point Clouds Considering Local Consistency},
author = {Lingjie Su and Wei Xu and Shuyang Zhao and Yuqi Cheng and Wenlong Li},
journal= {arXiv preprint arXiv:2409.09682},
year = {2024}
}
备注
Submitted to ICRA 2025