Literature Review: Incremental Segment-Based Localization in 3D Point Clouds

Abstract

在3D點雲中定位由於從3D數據中提取信息的複雜度的緣由是很是挑戰的。咱們提出了一個增量的方法來高效的解決這個問題。

• 首先會在動態的voxel積累觀測，而後有選擇性的更新點的normal。
• 一個incremental segmentation algorithm

咱們展示說這個增量方案能夠在10Hz的urban場景下進行全局定位，比起batch solution快了7.1倍。

1. Introduction

感知能力是很重要的。因此移動機器人常常會配備3D的time-of-filght的傳感器來產生環境的精準重建。咱們專一於3D點雲的定位。能夠在3D數據中作全局關聯使得咱們能夠重建要給unified表達方式，不須要假設low drife，或者已知的相對起始點。

Contributions

• 基於segment matching的3D點雲定位方法。
• 一組用來normal estimation, segmentation和recognition的增量算法。
• incremental approach和batch solution在urban駕駛下的比較

2. Related Work

a) Incremental point cloud segmentation

[3]提出了稠密點雲分割的區域生長方法。 對每一個輸入點雲，分割只會作一次，還有後續的融合步驟。這裏只會考慮平面的分割，而咱們的方案更泛化。【5】提出分割深度圖。上述的全部方案都沒有基於分割結果提出retrieving models的方案。

b) Efficient geometric verification

在stereo images的時候，有提出減小匹配數量的策略。【7】提出了RANSAC只能作空間一致性的檢查。上述的方法都有圖像的視差的假設，全部他們的精度受高disparity和視角強烈變化的影響。

3. Method

A. Dynamic Voxel Grid

持續的3D點雲輸入被filtered，而後再一個Local cloud裏用voxel的方法累積。咱們沒有用每次有新觀測的時候更新整個local cloud的batch voxel filtering方法，而是更新只有被新的點雲影響的voxel。咱們用DVG,一個高效的數據結構可以支持動態的插入和移除。

被佔的voxel會被保存在一個vector裏，每一個voxel保存它的index，centroid和包含的點數。爲了減小噪聲，一個voxel會在有特定數量的點數的時候被認爲是active。

1） Voxel Indexing

一個voxel就是一個大小是\(l\times w \times h\)， 每個voxel有惟一的index（再區間\([0, l\cdot w \cdot h - 1]\)。 grid有一個固定的分辨率\(r\)，一個rigid T從是世界繫到grid系 \(T_{mg}\)。爲了計算的高效，咱們要grid的大小是2的倍數，\(l=2^{l_{bits}}\), \(w=2^{w_{bits}}\), \(h=2^{h_{bits}}\)

2）Insertion and Removal

當新的點被插入的時候，DVG會計算它的indices，而後根據voxel id的增序排列。考慮到排列有\(\mathcal{O}(n\log(n))\)的複雜度，因此用batch voxelization來排序就很重要。當\(m\)個點\(q_i\)被插入到要給voxel（centroid是\(p\)是從\(n\)個點降採樣）的時候，咱們有：

\(p \leftarrow\left(n \cdot p+\sum_{i=1}^{m} q_{i}\right) \cdot \frac{1}{n+m}, \quad n \leftarrow n+m\)

3） Rigid Transformation

當迴環檢測的時候，。。。

B. Incremental Normal and Curvature estimation

一個點\(p_i\)在3D點雲裏計算它的normal的時候，一般是用neighborhood點集\(\mathcal{N}(p_i)\)的協方差矩陣\(M\)來衡量的。在用fixed-radius Nearest Neighbors(NN)找到鄰居後，\(M_{i}:=\overline{\left(\nu_{j}-\bar{\nu}\right)\left(\nu_{j}-\bar{\nu}\right)^{\top}}\)

normal的估計等於\(M_i\)的normalized eigenvector。curvature是\(\sigma=\lambda_{0}\left(\lambda_{0}+\lambda_{1}+\lambda_{2}\right)^{-1}\)，這裏\(\lambda_{0}<\lambda_{1}<\lambda_{2}\)是\(M_i\)的eigenvalues。

這裏咱們作了兩個主要的優化步驟。協方差矩陣\(M_i\)是增量算的，而且只有被新掃到的點影響的normal纔會被更新。

1）Incremental Updates 重看一遍

2） Rigid Transform

C. Incremental region growing segmentation

region growing policies 區域生長策略

1）Clusters merging:

2）Growing policies

在準備階段，PREPARESEEDS會蒐集經過CANBESEED測試的點的id，而後把他們經過curvature的增序排列。這樣保證區域生長的起始點是最平坦的點，減小segments的數量。

CANGROWTO會返回true，若是seed的normal和鄰居點是平行的。由於normals的旋轉未知，這個大概經過點乘來確認。另一個max閾值是點的curvature，爲了經過CANBESEED測試。

歐氏距離policies很容易理解，由於增量的區域生長已經基於歐氏距離找到鄰居candidate。因此，CANGROWTO和CANBESEED總會返回true，PREPARESEEDS只是蒐集尚未被assign的點的id。

3） Segment Tracking

cluster ID僅僅是臨時的值來定義點歸屬於一樣的cluster，segment ID是lingtime-long的定義。segmentation的階段可以讓咱們魯棒的跟蹤segments和他們在局部地圖的持續的views，這也會帶來不少好處。

在【1】中，多views不能和同一個segment聯繫，也會得到不一樣的IDs，從而致使目標地圖的insertion of segment duplicates。

D. Graph-based incremental recognition

從局部點雲中提取的segments會被一個generic feature vector描述（【13】中eigenvalue-based descriptor)。局部和target map的segments的候選匹配就會被經過NN搜索找到。若是一個對\(c_i, c_j\)的segment centorids的歐式舉例少於一個閾值，那麼就是幾何一致的。在咱們的方案中，咱們用graph problem來描述recognition的問題，來定義個Maximum Pairwise Consistent Set (MPCS).

咱們也利用了章節3-C.3的segment tracking。

\(\mathcal{S}\left(c_{i}\right)=\left\{c_{j} \in V | j \leq i \wedge \Delta\left(c_{i}, c_{j}\right) \leq \theta_{\Delta}+\epsilon\right\}\)

1）Cache Maintenance

若是一個匹配\(c_i\)第一次被找到，\(\mathcal{S}(c_i)\)就會被計算保存。若是這個匹配沒有再被觀測，那麼就會被刪掉。

2）Consistent candidates set identification

爲了讓兩個匹配一致，他們的target segments的舉例必須小於等於local map的直徑。

3）Consistency Graph Construction

4）MPCS Identification

當一個MPCS的大小大於一個閾值的時候，咱們認爲一個recognition是成功的。

4. Experiments

A. Baseline

用來比較的baseline是原版的SegMatch[1]，是用標註的PCL庫組成的。batch voxel filtering是由pcl::VoxelGrid，而batch normals estimation是用pcl::NormalEstimation. Batch Segmentation使用pcl::EuclidianClusterExtraction和pcl::RegionGrowing. Recognition是用pcl::GeometricConsistencyGrouping.

B. Performance

1）硬件： 全部實驗都是再32GB的RAM,Intel i7-6700K上完成的。RAM的使用歷來沒有超過1.6G.

。。。

5. Conclusions

咱們突出了3D點雲定位的incremental的方案。跟以前的不一樣，這個方案會維護一個segmented local map，而後用增量的幾何驗證。這個加速能夠達到10Hz，能夠支持實時。