基于點雲方式的6D姿态識别

作者：Tom Hardy

Date：2020-2-26

來源：前言

除了對應點方式，還可以将點雲将與整個形狀對齊，獲得6D姿态。通常，首先進行粗配準以提供初始對準，然後進行密集配準方法，如疊代最近點（ICP），以獲得最終的6D姿态。針對點雲方式，挑選了一些相關的paper，在這裡做下基本思想分享。

1、Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration

疊代最近點（ICP）算法是目前應用最廣泛的點集配準方法之一。然而，基于局部疊代優化的ICP算法易受局部極小值的影響。它的性能嚴重依賴于初始化的品質，并且隻保證局部最優性。本文提出了在ICP定義的L2誤差度量下，兩個三維點集歐氏（剛性）配準的第一個全局最優算法Go-ICP。Go-ICP方法基于搜尋整個3D運動空間SE（3）的分枝定界（BnB）方案。利用SE（3）幾何的特殊結構，推導了新的配準誤差函數的上下界。在BnB方案中引入局部ICP，在保證全局最優的同時加快了新方法的速度。本文還讨論了擴充，解決了異常值健壯性問題。實驗結果表明，該方法能夠在不考慮初始值的情況下産生可靠的配準結果。Go-ICP可應用于需要最佳解決方案或無法始終獲得良好初始化的情況。

2、SUPER 4PCS Fast Global Pointcloud Registration via Smart Indexing

大規模場景中的資料采集通常需要通過多次掃描積累資訊。一種常見的方法是使用疊代最近點（ICP）算法（或其變體）局部對齊掃描對，但需要靜态場景和掃描對之間的小運動。這可防止在多個掃描會話和/或不同采集模式（如立體聲、深度掃描）之間積累資料。或者，可以使用允許掃描處于任意初始姿勢的全局注冊算法。然而，最先進的全局配準算法4PCS在資料點的數量上具有二次時間複雜度，這大大限制了它在擷取大型環境方面的适用性。本文提出了Super 4PCS全局點雲配準，它可以線上性時間（資料點的數目）中運作，并且在基于掃描對的（未知）重疊對齊問題的複雜性上輸出敏感。算法簡單，記憶體使用率高，速度快。本文證明，Super 4PCS比其他方法有顯著的加速效果，并允許在以前不可能的尺度上非結構化高效地擷取場景。

3、3DRegNet: A Deep Neural Network for 3D Point Registration

本文提出了一種三維掃描配準的深度學習算法3DRegNet。近年來随着廉價的3D商品傳感器的出現，開發一種基于學習的3D配準算法将是非常有益的。本文在給定一組三維點對應關系的情況下，利用深度殘差層和卷積層建立深度網絡3DRegNet，主要完成兩項任務：

（1）将點對應關系分類為正确/錯誤的點對應關系

（2）可以回歸将掃描對齊到公共參考幀的運動參數

與經典方法相比，3DRegNet有幾個優點。首先，由于3DRegNet的工作原理是點對應，而不是原始掃描，是以明顯快于許多傳統方法。其次，論文證明該算法可以擴充到多視圖場景，即同時處理兩次以上掃描的注冊。與使用四元數表示旋轉的四變量位姿回歸網絡不同，本文使用李代數僅使用三個變量表示旋轉。在兩個具有挑戰性的資料集（ICL-NUIM和SUN3D）上進行的大量實驗表明3DRegNet性能優于其他方法，并取得了最新的結果。

4、3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions（斯坦福大學，代碼開源）

由于三維掃描資料的噪聲、低分辨率和不完整性，在真實深度圖像上進行局部幾何特征比對是一項具有挑戰性的任務。這些困難限制了目前最先進的方法的性能，這些方法通常基于幾何特性上的直方圖。本文提出了一個資料驅動的模型3DMatch，該模型學習局部體塊描述符以建立部分3D資料之間的對應關系。為了積累模型的訓練資料，提出了一種自監督的特征學習方法，利用現有的RGB-D重建中發現的數百萬個對應标簽。實驗表明，該描述子不僅能夠比對新場景中的局部幾何特征進行重建，而且可以推廣到不同的任務和空間尺度（如Amazon Picking Challenge的執行個體級對象模型對齊和網格曲面對應）。結果表明，3DMatch始終優于其他最先進的方法，具有顯著的優勢。