用于点云匹配不确定性估计的 Stein ICP
机器人学
2021-12-24 v2 机器学习
摘要
在许多任务（如位姿估计、传感器融合与抓取）中，点云匹配不确定性的量化至关重要。迭代最近点 (ICP) 是一种常用的位姿估计算法，它提供两点云间变换的点估计。该过程中存在多种不确定性来源，可能由传感器噪声、环境模糊与遮挡引起。然而，对于自动驾驶等安全关键问题，变换的点估计并不充分，因其未提供关于多个解的信息。当前概率 ICP 方法通常无法捕获所有不确定性来源，并可能提供不可靠的变换估计，这对使用该信息的状态估计或决策任务有不利影响。本工作中我们提出一种对齐两点云的新算法，可精确估计 ICP 变换参数的不确定性。我们发展了基于梯度优化 ICP 代价函数的 Stein 变分推断框架。该方法提供变换的非参数估计，可建模复杂多峰分布，并可在 GPU 上有效并行化。使用 3D kinect 数据及稀疏室内/室外 LiDAR 数据的实验表明，我们的方法能高效产生准确的位姿不确定性估计。
引用
@article{arxiv.2106.03287,
title = {Stein ICP for Uncertainty Estimation in Point Cloud Matching},
author = {Fahira Afzal Maken and Fabio Ramos and Lionel Ott},
journal= {arXiv preprint arXiv:2106.03287},
year = {2021}
}
备注
8 pages, 7 figures, Robotics and Automation Letters