概要
3D点群に配置するので3次元のデータから抽出する情報の複雑さの理由は非常に困難です。私たちは、この問題への効率的な解決策をインクリメントする方法を提案します。
- 最初のボクセルの動的観察に蓄積し、その後、通常の更新ポイントの選択があります。
- Aインクリメンタルセグメンテーションアルゴリズム
私たちは、インクリメンタル方式では7.1倍高速バッチソリューションに比べ、都市のシーンは10Hzで全地球測位を行うことができます表示するには、このことを言います。
1.はじめに
知覚は非常に重要です。移動ロボットは、多くの場合、正確な3D再構築環境を生成するために、タイム・オブ・filghtセンサーが装備されています。私たちは、3D点群を見つけるに特化。グローバル連想3Dで行うことができます私たちは、何の仮定低いdrife、または既知の開始点の反対を表現統一の道を与えないことができるようなデータを再構成します。
貢献
- 測位方法を一致セグメントに基づいて、3Dポイントクラウド。
- 増分アルゴリズムの通常の予測、セグメンテーションと認識のグループのために。
- 市街地走行での漸進的なアプローチとバッチソリューションの比較
2.関連研究
A）インクリメンタル点群のセグメント化
[3]密集点群の領域成長セグメント化する方法が提案されています。各入力点群について、唯一の分割一度行うと、その後の融合工程。ここだけの分割面を考慮し、当社のソリューションは、より一般化されています。[5]提案セグメンテーション深図。上記のすべては、セグメント化の結果に基づいて行われていないモデルの検索プログラムのを。
b）の効率的な幾何学的検証
ステレオ画像にマッチング戦略の数を減らすことが提案されている場合。[7] RANSACのみ空間整合性チェックを行うことができる提案しました。上記方法は、その高い精度のすべてが強く視差を変化させ、視野角に影響される、視差画像を想定しています。
3.方法
A.ダイナミックボクセルグリッド
3Dポイントクラウド連続入力を濾過し、次いで、ボクセル方法のローカルクラウドに蓄積されます。私たちは、地元の雲を通して方法をフィルタリングし、新たな観測更新バッチボクセルがあるたびに使用していませんでしたが、アップデートのボクセルは、新しい点群に影響を与えました。私たちは、動的な挿入および削除をサポートするためにDVG、効率的なデータ構造を使用します。
占有ボクセルは、ベクター中にそのインデックス、重心及びそれに含まれる点の数保存各ボクセルに格納されます。ポイントの特定の数がアクティブであるが存在する場合にノイズ低減するために、ボクセルが考慮されます。
1）ボクセルインデックス
ボクセルのサイズである\（L \タイムズW \タイムズH \） 、各ボクセルは、間隔の再（インデックス内のユニーク有する[ - 1 0、L \ CDOT W \ CDOT H] \）\（グリッドは固定しています。解像度\（R＆LT \） 、世界システムから剛性Tグリッド線に\（T_ {MG} \） 。効率を計算するために、我々は、グリッドサイズは、2の倍数である必要（L = 2 ^ {\ビット}} {メントキシ\） 、\（^ W = 2ビット}}、{{W_ \） 、\（H = 2 ^ {}} H_を{\）ビット
2）挿抜
ときに、新しい点は、DVGは、そのインデックスを計算する際、挿入、及びボクセルIDの増加順に従って配列されています。考慮し配置（\ mathcal {O}（\ \ n \ログ（n）を）） 複雑なので、バッチボクセル化をソートすることが重要である使用。場合\（M \）ポイント\（Q_I \）は、ボクセルを与えるために挿入されている（重心である（\ P \）から\）N-（\番目のダウンサンプリング点）、我々は持っています。
\（P \ LEFTARROW \左（N \ CDOT P + \ sum_ {I = 1} ^ {M} Q_ {I} \右）\ CDOT \ FRAC {1} {N + M}、\クワッドN \ LEFTARROW N + M \）
3）剛体変換
ときにループ検出。。。
B.インクリメンタルノーマルと曲率推定
点\（P_I \）は通常ポイントの近傍セットと、時間的に3次元点クラウドにおけるその通常の計算\（\ mathcal {N}（ P_I）\） の共分散行列\（M \）を測定します。固定RADIUS最近傍（NN）と隣人を見つけた後、\（M_ {I}の：= \上線{\左（\ nu_ {J} - \バー{\ NU} \右）\左（\ nu_ {J } - \バー{\ NU} \右）^ {\上部}} \）
通常の推定値は、に等しい（M_I \）\正規化固有ベクトルです。曲率がある\（\シグマ= \ lambda_ {0} \左（\ lambda_ {0} + \ lambda_ {1} + \ lambda_ {2} \右）^ { - 1} \）、ここで、\（\ lambda_ {0 } <\ lambda_ {1} < \ lambda_ {2} \） である\（M_I \）固有値。
ここでは、2つの主要な最適化ステップを作りました。共分散行列\（M_I \）インクリメンタルカウントで、通常は、新しいスイープポイントが更新される影響を与えます。
1）増分更新は重い一読しました
2）リジッド変換
C.インクリメンタル領域成長セグメンテーション
領域成長政策地域の成長戦略
マージ1）クラスタ：
2）成長政策
準備段階中、PREPARESEEDS IDは、彼らが曲率の次数を増加させることによって配置され、CANBESEEDがテストポイントを介して収集することができるであろう。開始点成長領域はセグメントの数を減らすために、平坦であることを、これは保証します。
正常と隣接点の種子が平行である場合CANGROWTOは、真を返します。未知の法線の回転するので、これはおそらく、小数点乗算によって確認されました。maxは、試験CANBESEEDを渡すために、閾値さらに曲点です。
簡単に理解するためのユークリッド距離の政策、地域の増分成長は、ユークリッド距離に基づいて隣接候補を発見したので。CANGROWTOとCANBESEEDは常にtrueを返しますので、PREPARESEEDSだけコレクトidがまだ割り当てポイントされていません。
3）セグメント追跡
ポイントを定義するための唯一の一時的な値のクラスタIDは、セグメントIDがlingtime長で定義され、同じクラスタに割り当てられます。セグメンテーションステージは多くの利点をもたらすであろう、私たちは強固なセグメントを追跡し、ローカルマップで自分の意見を持続することができます。
複数のビューと同じ缶セグメントに接触しない[1]において、は、セグメントの複製の挿入の目標マップで、その結果、異なるIDを取得します。
D.グラフベースの増分認識
ローカルポイントクラウドのセグメントから抽出された一般的な特徴ベクトル（固有値ベースの記述[13]）に記載されるであろう。ローカルおよびターゲットマップの候補マッチングセグメントはNN探索により発見されます。一組の場合（C_I、c_j \）\セグメントcentorids欧州例がしきい値未満である場合、それは一貫ジオメトリです。このシナリオでは、我々は最高のペアワイズ整合セット（MPCS）を定義するために、問題の認識を記述するために、グラフの問題を使用します。
また、第3章 - C.3のセグメント追跡を使用しています。
\（\ mathcal {S} \左（C_ {I} \右）= \ \左Vにおいて、{C_ {J} \ | J \当量I \ウェッジ左\デルタ\（C_ {I}、C_ {J} \右）\当量\シータ_ {\デルタ} + \イプシロン\右\} \）
1）キャッシュのメンテナンス
一致した場合\（C_I \）が最初に見つかった、\（\ mathcal {S}（C_Iは）\）保存計算されます。試合は、もはや観察されている場合、それは削除されません。
2）一致候補セット識別
2つのマッチング仕上げを可能にするために、それらの標的セグメントの例は、ローカルマップの直径に等しい未満でなければなりません。
3）一貫性グラフの構築
4）MPCS同定
しきい値、我々が成功すると信じているという認識よりもサイズが大きいの場合はMPCS。
4.実験
A.ベースライン
比較のためのベースラインは、そのPCLライブラリでマークさSegMatch前駆体[1]です。バッチボクセルフィルタリングが行われpcl::VoxelGrid、バッチ法線推定し、pcl::NormalEstimation。バッチセグメンテーションを使用pcl::EuclidianClusterExtractionしてpcl::RegionGrowing。認識がありますpcl::GeometricConsistencyGrouping。
B.パフォーマンス
1）ハードウェア：すべての実験は、RAMの32ギガバイト、Intelのi7-6700Kが完了しました。決して以上1.6G以上のRAMの使用状況。
...
5。結論
私たちは、増分アプローチ3D点群の位置を強調表示します。以前とは異なり、このプログラムでは、セグメント化されたローカルマップ、増分幾何学的な検証を維持します。この加速は、10Hzのに到達することができ、リアルタイムにサポートすることができます。