离群鲁棒几何感知：一种基于阈值化与类内方差最大化的新型估计器
计算机视觉与模式识别
2024-07-02 v2 机器人学
摘要
几何感知问题是机器人与计算机视觉中的基础任务。在真实应用中，它们常遭遇不可避免的离群值问题，致使传统算法无法做出正确估计。本文提出一种新颖的通用鲁棒估计器 TIVM（类内方差最大化阈值化），其可与标准非最小求解器协作，高效剔除几何感知问题中的离群值。首先，我们引入类内方差最大化技术，在测量残差上设计动态二分组阈值化方法，旨在明确分离内点与离群点。随后，我们开发了一种迭代框架，通过以多层动态阈值化策略为子程序逼近纯内点组来鲁棒优化模型，其中进一步采用层数自调节机制以最小化用户定义参数。我们在三个经典几何感知问题上验证了所提估计器：旋转平均、点云配准与类别级感知，实验表明其能抵御 70--90% 的离群值，且通常仅 3--15 次迭代即可收敛，远快于 RANSAC、GNC 和 ADAPT 等最先进鲁棒求解器。另一亮点是：即便问题的内点噪声统计完全未知，我们的估计器仍能保持近似同水平的鲁棒性。
引用
@article{arxiv.2204.01324,
title = {Outlier-Robust Geometric Perception: A Novel Thresholding-Based Estimator with Intra-Class Variance Maximization},
author = {Lei Sun},
journal= {arXiv preprint arXiv:2204.01324},
year = {2024}
}