Segregator：融合语义与几何线索的全局点云配准
机器人学
2023-03-02 v2
摘要
本文提出 Segregator，一种全局点云配准框架，其利用语义信息与几何分布来高效建立鲁棒于离群的对应并搜索内点。当前最先进的算法依赖点特征建立假定对应，并通过成对距离一致性检验进行精炼。然而，此类方案受退化情形（局部点特征描述能力退化）和无约束情形（基于保长（l-TRIMs）的检验不足以约束当前观测是否与其他一致）之苦，导致需解决的 NP 完全问题复杂化。为解决这些问题，一方面，我们提出一种新颖的退化鲁棒且高效的对应流程，由实例级语义簇与几何级点特征共同构成。另一方面，提出基于高斯分布的平移与旋转不变度量（G-TRIMs）来进行一致性检验并进一步约束问题规模。我们在大量基于真实世界数据的实验上验证了所提算法。代码可用：https://github.com/Pamphlett/Segregator。
引用
@article{arxiv.2301.07425,
title = {Segregator: Global Point Cloud Registration with Semantic and Geometric Cues},
author = {Pengyu Yin and Shenghai Yuan and Haozhi Cao and Xingyu Ji and Shuyang Zhang and Lihua Xie},
journal= {arXiv preprint arXiv:2301.07425},
year = {2023}
}
备注
6 pages, 5 figures. Accepted to ICRA2023