SANDRO：基于分裂策略的点云配准鲁棒求解器
计算机视觉与模式识别
2025-03-12 v1 机器人学
摘要
点云配准是计算机视觉和机器人学中的关键问题，尤其是在导航领域。当前方法在面对高离群点率时常常失效，或需要很长时间才能收敛到合适的解。在本工作中，我们提出了一种名为 SANDRO（Splitting strategy for point cloud Alignment using Non-convex anD Robust Optimization）的新型点云配准算法，它将迭代重加权最小二乘（IRLS）框架与具有渐变非凸性的鲁棒损失函数相结合。该方法进一步通过一种分裂策略来增强，以处理高离群点率和偏斜的离群点分布。SANDRO 能够解决现有方法的重要局限性，在高离群点率和点云对称性显著阻碍收敛的挑战性场景中表现出色。与最先进方法相比，SANDRO 在成功率方面取得了优越性能，在 Redwood 真实数据集上实现了 20% 的提升，在合成数据上实现了 60% 的提升。
引用
@article{arxiv.2503.07743,
title = {SANDRO: a Robust Solver with a Splitting Strategy for Point Cloud Registration},
author = {Michael Adlerstein and João Carlos Virgolino Soares and Angelo Bratta and Claudio Semini},
journal= {arXiv preprint arXiv:2503.07743},
year = {2025}
}
备注
Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2025