TEASER：快速且可认证的的点云配准
机器人学
2020-10-20 v2 计算机视觉与模式识别
最优化与控制
摘要
我们提出了第一种快速且可认证的算法，用于在存在大量异常对应点的情况下配准两组 3D 点。我们首先使用对大量虚假对应点不敏感的截断最小二乘（TLS）代价重新表述配准问题。然后，我们提供一个通用的图论框架来解耦尺度、旋转和平移估计，从而能够级联求解这三种变换。尽管每个子问题本质上仍是非凸且组合性的，我们证明：(i) TLS 尺度和（分量式）平移估计可通过自适应投票在多项式时间内求解；(ii) TLS 旋转估计可松弛为半定规划（SDP），且该松弛是紧的，即使在极端异常率下也是如此；(iii) 图论框架可通过寻找最大团来大幅剪枝异常点。我们将所得算法命名为 TEASER（截断最小二乘估计与半定松弛）。虽然求解大型 SDP 松弛通常很慢，我们开发了第二种快速且可认证的算法，称为 TEASER++，它使用渐进非凸性来求解旋转子问题，并利用 Douglas-Rachford 分裂来高效认证全局最优性。对于两种算法，我们提供了估计误差的理论界，这是鲁棒配准问题中同类首个。此外，我们在标准、目标检测和 3DMatch 基准上测试了它们的性能，结果表明：(i) 两种算法均主导当前最优水平，并对超过 99% 的异常点具有鲁棒性；(ii) TEASER++ 可在毫秒内运行；(iii) TEASER++ 极其鲁棒，甚至能求解无对应点问题，其大幅优于 ICP，且比 Go-ICP 更精确的同时快几个数量级。
引用
@article{arxiv.2001.07715,
title = {TEASER: Fast and Certifiable Point Cloud Registration},
author = {Heng Yang and Jingnan Shi and Luca Carlone},
journal= {arXiv preprint arXiv:2001.07715},
year = {2020}
}
备注
Accepted to IEEE Transactions on Robotics (T-RO). Code: https://github.com/MIT-SPARK/TEASER-plusplus. 20 pages main text, 24 pages appendix