使用基于指数的相似性矩阵进行三维点集配准
计算机视觉与模式识别
2025-05-08 v1
摘要
点云配准是计算机视觉和机器人学中的一个基本问题，涉及使用深度传感器（如 LiDAR 或结构光）从不同视角捕获的三维点集的对齐。在现代机器人系统中，尤其是那些专注于建图的系统，准确合并同一环境的多个视图至关重要。然而，当点集之间存在较大的旋转差异或数据被传感器噪声严重破坏时，最先进的配准技术常常会遇到困难。这些挑战可能导致错位，从而导致不准确或扭曲的三维重建。在这项工作中，我们通过提出对经典迭代最近点（ICP）算法的鲁棒修改来解决这两个限制。我们的方法称为指数相似性矩阵 ICP（ESM-ICP），它集成了一个受高斯启发的指数加权方案来构建一个在迭代过程中动态适应的相似性矩阵。该矩阵有助于在对齐过程中改进旋转和平移分量的估计。我们在两个具有挑战性的场景中展示了 ESM-ICP 的鲁棒性：(i) 源点云和目标点云之间存在较大的旋转差异，以及 (ii) 数据被非高斯噪声破坏。我们的结果表明，ESM-ICP 优于传统的几何配准技术以及几种最近的基于学习的方法。为了鼓励可重复性和社区参与，我们的完整实现已在 GitHub 上公开提供。https://github.com/aralab-unr/ESM_ICP
引用
@article{arxiv.2505.04540,
title = {Registration of 3D Point Sets Using Exponential-based Similarity Matrix},
author = {Ashutosh Singandhupe and Sanket Lokhande and Hung Manh La},
journal= {arXiv preprint arXiv:2505.04540},
year = {2025}
}