GMCR：基于图的最大一致点云配准估计
机器人学
2023-09-29 v2
摘要
点云配准是自主机器人在非结构化环境中进行物体位姿估计、同步定位与建图、机器人-传感器标定等应用时的基础且具有挑战性的问题。在基于全局对应的点云配准中，数据关联是一项极为脆弱的任务，通常产生大量外点。未能剔除外点会导致误差传播至下游感知任务。最大一致（MC）是一种广泛使用的鲁棒估计技术，但已知为 NP-hard。精确方法难以扩展到实际规模的问题实例，而高外点率对近似方法而言亦具挑战。为此，我们提出基于图的最大一致配准（GMCR），其对外点高度鲁棒且可扩展至实际规模问题实例。我们提出新颖的一致函数，将解耦的 MC 目标映射至图域，并在其中将最大一致集的紧近似求为最大团。最终位姿估计以闭式给出。我们在合成配准基准、机器人物体定位任务以及一项扫描匹配基准上广泛评估了所提 GMCR。与其他最先进 MC 方法相比，我们所提方法展现出高准确度与时间效率，且与其他鲁棒配准方法相比也具有优势。
引用
@article{arxiv.2303.04032,
title = {GMCR: Graph-based Maximum Consensus Estimation for Point Cloud Registration},
author = {Michael Gentner and Prajval Kumar Murali and Mohsen Kaboli},
journal= {arXiv preprint arXiv:2303.04032},
year = {2023}
}
备注
Accepted at icra 2023