IRON：基于不变量的高鲁棒点云配准
计算机视觉与模式识别
2021-04-21 v2 机器人学
摘要
本文提出 IRON（基于不变量的全局鲁棒估计与优化），一种非最小且高鲁棒的点云配准方案，可应对对应关系中大量外点的情况。为此，我们将配准问题分别解耦为尺度、旋转与平移的估计。我们的首要贡献是提出 RANSIC（基于不变量兼容性的随机采样），其利用不变量兼容性从随机样本中寻找内点，并同时鲁棒估计两组点云间的尺度。一旦尺度被估计，我们的第二贡献是以可证明的方式使用平方和（SOS）松弛将非凸全局配准问题松弛为凸半定规划（SDP），并证明该松弛是紧的。为鲁棒估计，我们进一步提出 RT-GNC（粗剪枝与渐进非凸性），一种较传统 GNC 具有更好鲁棒性与时间效率的全局外点剔除启发式方法，作为第三贡献。借助这些贡献，我们得以实现配准算法 IRON。通过在真实数据集上的实验，我们表明 IRON 高效、高精度且对多达 99% 的外点具有鲁棒性（无论尺度已知或未知），优于现有最优算法。
引用
@article{arxiv.2103.04357,
title = {IRON: Invariant-based Highly Robust Point Cloud Registration},
author = {Lei Sun},
journal= {arXiv preprint arXiv:2103.04357},
year = {2021}
}