GICP：基于体素泛化ICP方式的准确快速点云配准方法

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\|