经典与基于学习的多波束点云配准基准评测
计算机视觉与模式识别
2024-05-13 v1 机器人学
摘要
深度学习在多个3D点云配准数据集上显示出有前景的结果。然而，在水下领域，多波束回声测深仪（MBES）点云数据的配准大多仍使用迭代最近点（ICP）家族中的经典方法。在这项工作中，我们整理并发布了DotsonEast数据集，这是一个由南极洲西部的自主水下航行器构建的半合成MBES配准数据集。利用该数据集，我们系统地对2种经典方法和4种基于学习的方法的性能进行了基准评测。实验结果表明，基于学习的方法在粗对齐方面表现良好，并且在高重叠率（20-50%）下能更一致地恢复粗略变换。相比之下，GICP（ICP的一种变体）在精细对齐方面表现良好，并且在极低重叠率（10%）下的所有指标上都更优。据我们所知，这是首个在基于AUV的MBES数据集上对基于学习和经典配准方法进行基准评测的工作。为促进未来研究，代码和数据均已在线公开。
引用
@article{arxiv.2405.06279,
title = {Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration},
author = {Li Ling and Jun Zhang and Nils Bore and John Folkesson and Anna Wåhlin},
journal= {arXiv preprint arXiv:2405.06279},
year = {2024}
}
备注
Accepted at ICRA 2024 (IEEE International Conference on Robotics and Automation 2024)