原創(chuàng) | 文 BFT機(jī)器人

01?研究背景

在點(diǎn)云處理中，ICP算法是一種常用的點(diǎn)云配準(zhǔn)方法，通過將兩個(gè)或多個(gè)點(diǎn)云對齊，可以進(jìn)行后續(xù)的建模、識別和跟蹤等處理。

然而，在ICP算法中，協(xié)方差估計(jì)起著非常重要的作用，它能夠提供關(guān)于匹配誤差和噪聲等信息。傳統(tǒng)方法通常采用手動調(diào)整參數(shù)或基于經(jīng)驗(yàn)的模型來估計(jì)協(xié)方差矩陣，但這些方法往往不夠準(zhǔn)確或適用于不同類型的數(shù)據(jù)集。圖1顯示了不同數(shù)據(jù)集下ICP估計(jì)誤差的分布情況。

因此，該論文提出了一種數(shù)據(jù)驅(qū)動的方法，用于學(xué)習(xí)ICP輸入數(shù)據(jù)的異方性隨機(jī)誤差，并利用貝葉斯后驗(yàn)逼近來捕獲認(rèn)知不確定性。

這種方法能夠自適應(yīng)地估計(jì)協(xié)方差矩陣，并在狀態(tài)估計(jì)和傳感器融合等領(lǐng)域中提高ICP算法的應(yīng)用效果。同時(shí)，該方法還應(yīng)用了最新的深度學(xué)習(xí)技術(shù)來處理點(diǎn)云數(shù)據(jù)，具有較高的準(zhǔn)確性和魯棒性。

通過將深度學(xué)習(xí)和貝葉斯方法引入ICP算法中的協(xié)方差估計(jì)步驟，研究人員能夠更準(zhǔn)確地估計(jì)匹配誤差和噪聲等參數(shù)，從而改進(jìn)點(diǎn)云配準(zhǔn)的性能。這對于點(diǎn)云處理任務(wù)在計(jì)算機(jī)視覺和機(jī)器人領(lǐng)域的應(yīng)用具有重要意義。

圖1

02??該篇論文的創(chuàng)新點(diǎn)

第一，提出了一種數(shù)據(jù)驅(qū)動的方法來學(xué)習(xí)ICP輸入數(shù)據(jù)的異方性隨機(jī)誤差，并使用貝葉斯后驗(yàn)逼近來捕獲認(rèn)知不確定性。

這種方法可以自適應(yīng)地估計(jì)協(xié)方差矩陣，相比傳統(tǒng)方法更加準(zhǔn)確和適用于不同類型的數(shù)據(jù)集。

第二，該方法利用了最新的深度學(xué)習(xí)技術(shù)來處理點(diǎn)云數(shù)據(jù)，具有較高的準(zhǔn)確性和魯棒性。

通過引入深度學(xué)習(xí)技術(shù)，可以更好地處理點(diǎn)云中存在的噪聲和不規(guī)則形狀等問題，從而提高ICP算法在狀態(tài)估計(jì)和傳感器融合等領(lǐng)域中的應(yīng)用效果。

03??算法具體步驟

本文提出的算法是一種數(shù)據(jù)驅(qū)動的方法，用于學(xué)習(xí)ICP輸入數(shù)據(jù)的異方性隨機(jī)誤差，并使用貝葉斯后驗(yàn)逼近來捕獲認(rèn)知不確定性。

該算法主要包括以下步驟：

1.數(shù)據(jù)預(yù)處理：

首先，采集點(diǎn)云數(shù)據(jù)，并將其輸入到ICP算法中進(jìn)行配準(zhǔn)。然后，將配準(zhǔn)結(jié)果與真實(shí)值進(jìn)行比較，得到誤差信息。

2.深度學(xué)習(xí)模型訓(xùn)練：

利用深度學(xué)習(xí)技術(shù)學(xué)習(xí)ICP輸入數(shù)據(jù)的異方性隨機(jī)誤差。具體來說，使用一個(gè)基于PointNet++的神經(jīng)網(wǎng)絡(luò)模型來對點(diǎn)云數(shù)據(jù)進(jìn)行處理和特征提取，并輸出一個(gè)協(xié)方差矩陣作為誤差模型。

3.認(rèn)知不確定性建模：

使用貝葉斯后驗(yàn)逼近來捕獲認(rèn)知不確定性。具體來說，使用變分推斷方法來估計(jì)后驗(yàn)分布，并計(jì)算出每個(gè)參數(shù)的置信區(qū)間。

4.協(xié)方差矩陣估計(jì)：

根據(jù)學(xué)習(xí)到的誤差模型，自適應(yīng)地估計(jì)協(xié)方差矩陣。具體來說，在ICP算法中引入該協(xié)方差矩陣作為權(quán)重矩陣，從而提高配準(zhǔn)結(jié)果的準(zhǔn)確性和魯棒性。

5.實(shí)驗(yàn)驗(yàn)證：

通過實(shí)驗(yàn)驗(yàn)證該方法在LiDAR odometry上的效果，并與現(xiàn)有方法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地提高ICP算法在狀態(tài)估計(jì)和傳感器融合等領(lǐng)域中的應(yīng)用效果。

04??實(shí)驗(yàn)

表1

表格1展示了所提出方法與現(xiàn)有方法CELLO-3D和Brossard等在同一數(shù)據(jù)集上的性能比較。可以看到，在平移誤差和旋轉(zhuǎn)誤差方面，所提出的方法都優(yōu)于現(xiàn)有方法。

圖2

圖2展示了所提出方法在KITTI數(shù)據(jù)集上的平移誤差和旋轉(zhuǎn)誤差，并將其與ICP算法進(jìn)行了比較?？梢钥吹?，在平移誤差和旋轉(zhuǎn)誤差方面，所提出的方法都優(yōu)于ICP算法。

圖3

圖3展示了在一個(gè)缺乏明顯幾何特征的罕見區(qū)域中，先驗(yàn)誤差和隨機(jī)誤差的3σ間隔。黑色表示從地面真實(shí)值計(jì)算出的實(shí)際誤差。放大的區(qū)域顯示了先驗(yàn)不確定性增加，這對應(yīng)于一個(gè)寬闊的平原環(huán)境。因此，該圖表達(dá)了在缺乏明顯幾何特征的環(huán)境中，ICP估計(jì)誤差存在較大不確定性，并且該不確定性主要來自于先驗(yàn)誤差。

圖4

圖4展示了在不同數(shù)據(jù)集上微調(diào)對性能的影響?？梢钥吹?，在經(jīng)過微調(diào)后，所提出方法在不同數(shù)據(jù)集上都取得了更好的性能表現(xiàn)。

05??結(jié)論

本文提出了一種基于深度學(xué)習(xí)的方法來估計(jì)ICP算法中點(diǎn)云配準(zhǔn)的協(xié)方差矩陣。

該方法使用數(shù)據(jù)驅(qū)動的范例來學(xué)習(xí)ICP算法中的不確定性，并且能夠更準(zhǔn)確地估計(jì)點(diǎn)云配準(zhǔn)的協(xié)方差矩陣。

實(shí)驗(yàn)結(jié)果表明，該方法在處理點(diǎn)云配準(zhǔn)中的誤差方面表現(xiàn)良好，并且通常優(yōu)于最先進(jìn)的方法。未來改進(jìn)將關(guān)注網(wǎng)絡(luò)架構(gòu)，可能會針對掃描注冊問題進(jìn)行調(diào)整，例如加倍流嵌入層和連續(xù)層以解釋兩個(gè)點(diǎn)云的運(yùn)動。此外，還可以考慮初始化的作用以及初始猜測在學(xué)習(xí)過程中的使用。

因此，本文結(jié)論是該方法可以有效地估計(jì)ICP算法中點(diǎn)云配準(zhǔn)的協(xié)方差矩陣，并且具有很好的應(yīng)用前景。

標(biāo)題：ICRA2022：用深度貝葉斯算法來估計(jì)ICP的協(xié)方差

更多精彩內(nèi)容請關(guān)注公眾號：BFT機(jī)器人

本文為原創(chuàng)文章，版權(quán)歸BFT機(jī)器人所有，如需轉(zhuǎn)載請與我們聯(lián)系。若您對該文章內(nèi)容有任何疑問，請與我們聯(lián)系，將及時(shí)回應(yīng)。