谱几何验证:为度量定位重排序点云检索结果
计算机视觉与模式识别
2023-04-27 v2 机器人学
摘要
在大规模度量定位中,检索阶段的一个错误结果将导致错误的位姿估计或回环检测。重排序方法主张考虑所有顶部检索候选并重新排序,以提高顶部候选正确的可能性。然而,当前最优的重排序方法在重排序众多潜在候选时效率低下,因为它们需要在查询与每个候选之间进行资源密集的点云配准。在本工作中,我们提出一种无需配准的高效谱几何验证方法(命名为 SpectralGV)。我们展示了两个点云对应兼容图的最优簇间分数如何代表衡量其空间一致性的鲁棒拟合分数。该分数考虑了结构相似点云间细微的几何差异,因此可用于在全局相似性搜索检索到的潜在匹配中识别正确候选。SpectralGV 具有确定性、对异常对应鲁棒,且可对所有潜在候选并行计算。我们在 5 个大规模数据集上进行了大量实验,证明 SpectralGV 优于其他当前最优重排序方法,并表明它持续提升了 3 种当前最优度量定位架构的召回率与位姿估计,且对其运行时间影响可忽略。开源实现与训练模型见:https://github.com/csiro-robotics/SpectralGV。
引用
@article{arxiv.2210.04432,
title = {Spectral Geometric Verification: Re-Ranking Point Cloud Retrieval for Metric Localization},
author = {Kavisha Vidanapathirana and Peyman Moghadam and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2210.04432},
year = {2023}
}
备注
Accepted for publication in IEEE RA-L (2023)