基于Majorization-Minimization 的高效分布式大规模点云束调校
机器人学
2025-02-27 v1
摘要
点云束调校是大规模点云制图中的关键技术，但其计算和内存消耗都很大，随扫描位姿数量的增长呈立方增长。本文提出了 BALM3.0，一种高效分布式大规模点云束调校方法。该方法采用Majorization-Minimization算法以解耦束调校中的扫描位姿，从而在提高计算效率的同时，可处理大规模数据。将Majorization-Minimization应用于束调校的关键难点在于识别合适的替代目标函数。本文所提出的替代目标函数基于点到平面距离。通过Majorization-Minimization算法解耦扫描位姿的主要优势体现在两个方面:首先，解耦扫描位姿将优化时间复杂度从立方降至线性，显著提升了大规模环境下束调校的计算效率;其次，为分布式束调校奠定了理论基础。通过在多个设备上分布式处理数据和计算，该方法有助于克服大内存和计算需求的限制，这些限制可能难以被单个设备处理。本文在仿真和真实环境中对该方法进行了广泛评估。结果表明，该方法在保持可比精度的同时，以最高可达704倍的优化速度和将内存使用降至1/8的优势实现了相同的最小残差。此外，本文还实现了一个分布式束调校框架，成功地在四台消费级笔记本电脑上优化了大规模数据(21,436个扫描位姿和70 GB点云)。
引用
@article{arxiv.2502.18801,
title = {Efficient and Distributed Large-Scale Point Cloud Bundle Adjustment via Majorization-Minimization},
author = {Rundong Li and Zheng Liu and Hairuo Wei and Yixi Cai and Haotian Li and Fu Zhang},
journal= {arXiv preprint arXiv:2502.18801},
year = {2025}
}