点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

标题: Voxelized GICP for Fast and Accurate 3D Point Cloud Registration

作者:  Kenji Koide, Masashi Yokozuka, Shuji Oishi, and Atsuhiko Banno

机构:National Institute of Advanced Industrial Science and Technology, Tsukuba, Japan

来源: arXiv

编译: 周朋伟

审核:  杨杨，wyc

Code: github: https://github.com/SMRT-AIST/fast_gicp

摘要

本文提出了一种用于快速准确的三维点云配准算法体素泛化ICP。该方法将体素化思想扩展到广义迭代最近邻GICP中，以避免高昂的最近邻搜索，同时达到较高精度。与通过空间点位置计算体素分布的正态分布变换NDT方法相比。该方法聚合每个点的分布来估计体素分布。这样做的目的是便于并行处理优化，该方法可以在CPU中以30Hz或GPU中以120Hz的频率处理包含15,000数量的点云数据。通过对模拟数据和真实环境的测试，所提出的方法与GICP的精度相当，但速度优于现有方法。这使得开发实时的，极快位姿估计变换的3D LiDAR应用成为可能。

背景与贡献

三维点云配准是标定、定位、建图和环境重建的等任务中的关键任务。有两种主流的点云配准方法: 广义迭代最近邻方法GICP和正态分布变换NDT方法。GICP算法扩展了经典的ICP算法，通过计算分布到分布的形式提高了配准精度。NDT利用体素化方法避免高昂的最近邻搜索，提高处理速度。由于GICP和其他ICP算法的变种均依赖于最近邻搜索，这使得很难在计算资源受限的计算机中实时的处理大量点云数据。而NDT通常对体素的分辨率大小非常敏感。最佳的体素分辨率取决于环境和传感器属性，如果选择不当的分辨率，则NDT的精度将大幅降低。本文的通过聚合每个体素内所有点的分布，使得体素化的过程更为鲁棒。相比于NDT从点的空间位置估计体素的分布，本文的体素化方法即使体素中有很少的点，也能够产生有效的体素分布。这也使得算法对体素分辨率的改变更加鲁棒。本文的主要贡献如下:

• 我们提出了一种多点分布聚合方法，使得估计较少数量点的体素分布更为鲁棒。

• 我们提出了VGICP算法达到了GICP的精度，但是比现有方法速度更快。

• 我们开源了新提出的VGICP算法，其可以像GCIP算法的一样可以并行处理。

方法

GICP算法

我们首先回顾一下GICP算法，记源点云为 ，其中每个点服从高斯分布 。目标点云为 ，其中每个点同样服从高斯分布 。因此，我们可以通过变换矩阵两个集合之间对应点的误差为

的分布可以通过高斯分布的变换性质的得出如下GICP算法通过最大化似然概率求解变换 通过使用 替换协方差矩阵的特征值完成正则化，这使得GICP算法可以看做成plane-to-plane ICP。

VGICP算法

为了能够推到出VGICP算法，我们首先对式1进行扩展，使得其可以计算点 到其邻近点集$\left\{b_{j} \mid\left\|a_{i}-b_{j}\right\|<r\right\}$的距离, 如下：< p>

上式可以解释为平滑目标点的分布， 的分布如下:

为了能够估计变换 ，同样需要求解式7的最大化似然概率

为了能够高效的计算上式，将其修改成:其中 是临近点的数量。通过临近点集 均值分布，上述损失函数可以高效的完成计算。我们可以通过存储每个体素的 使得上式可以直接完成体素级的计算。

图2给出了对应点距离计算的示意图，红色圆表示源点云，蓝色表示目标点云。GICP计算单分布到单分布的差异，NDT计算点到分布的差异。VGICP计算单分布到多分布的差异。即使体素中仅包含很少数量点，VGICP的模型也可会产生有效的分布。

算法的主要流程如下

实验对比

图3 利用模拟器和Microsoft AirSim生成的点云数据。

图4 展示了不同算法的绝对误差和相对误差。

图5 作者实验的不同算法和PCL库中不同算法的运行时间对比

           图6 室外实验中不同算法的精度对比

点击阅读原文， 即可获取本文下载链接。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~