MIT开源点云配准加速20倍！精度竟然还SOTA！所有任务通用！

0. 论文信息

标题：KISS-Matcher: Fast and Robust Point Cloud Registration Revisited

作者：Hyungtae Lim, Daebeom Kim, Gunhee Shin, Jingnan Shi, Ignacio Vizzo, Hyun Myung, Jaesik Park, Luca Carlone

机构：Massachusetts Institute of Technology、KAIST、Dexory、Seoul National University

原文链接：https://arxiv.org/abs/2409.15615

代码链接：https://github.com/mit-spark/kiss-matcher

1. 摘要

尽管全局点云配准系统在各方面都取得了显著进步，但许多研究仍聚焦于特定组件，如特征提取、图论剪枝或姿态求解器。在本文中，我们全面审视了配准问题，并开发了一个开源且多功能的C++点云配准库，命名为KISS-Matcher。KISS-Matcher结合了新颖的特征检测器Faster-PFH，该检测器相较于传统的快速点特征直方图（FPFH）有所改进。此外，它采用了基于k-core的图论剪枝方法，以降低剔除错误对应点的时间复杂度。最终，它将这些模块整合到一个完整、用户友好且即插即用的流程中。通过大量实验验证，KISS-Matcher展现出卓越的扩展性和广泛的应用性，与最先进的抗噪配准流程相比，实现了显著的速度提升，同时保持了准确性。我们的代码将发布于https://github.com/MIT-SPARK/KISS-Matcher。

2. 引言

3D点云配准，即估计两个部分重叠点云之间的相对姿态，是机器人和计算机视觉领域的一个基本问题，并出现在定位、建图和物体姿态估计等场景中。与基于迭代最近点（ICP）的方法不同，这些方法收敛域狭窄，并且仅在提供合适的初始猜测时才能收敛到良好的估计值，全局配准旨在无需初始猜测即可估计相对姿态。因此，全局配准在多种应用中被广泛使用，它通常提供一个初始对齐，以使基于ICP的方法能够收敛到更优的解。

尽管过去十年取得了显著进展，但先前的工作往往侧重于提升特定组件（例如特征提取、图论剪枝或姿态求解器）的性能，而常常忽略了整体配准流程的实时能力和更广泛的适用性。特别是，虽然最近基于深度学习的方法解决了未训练场景中的泛化问题，但一些基于学习的方法忽略了数据预处理所需的时间或它们对数百万次随机抽样一致性（RANSAC）迭代的极大依赖，这可能需要数秒到数十秒的时间。此外，不仅深度学习方法，而且一些传统方法通常仅限于扫描级别的配准，并不适用于子图级别或地图级别的配准，这限制了它们的应用范围；因此，有必要开发一种可扩展的配准方法，使其既适用于扫描级别，也适用于大规模地图级别。

在本文中，我们提出了一种快速且可扩展的配准系统，它将配准流程中每个组件的最新进展整合到一个通用且即插即用的C++库中。我们秉承KISS-ICP的理念，该理念注重适用性，并试图减少对传感器特定假设或繁琐参数调整的依赖，我们提出了一种“保持简单且可扩展”的配准流程，称为KISS-Matcher。为此，我们重新审视了我们在鲁棒性异常值配准方面的研究，并专注于使整个配准流程更高效且易于使用，同时不牺牲鲁棒性。

我们从整体角度处理配准问题，特别是针对TEASER++流程中的问题，尤其是其在大量对应关系中缺乏可扩展性的问题，这在地图级别匹配场景中很常见。为此，我们通过提出Faster-PFH来加速经典手工描述符——快速点特征直方图（FPFH）的速度，并采用基于k核的图论剪枝来拒绝虚假对应关系。我们的系统比TEASER++快几倍，同时实现了相似的性能。

3. 效果展示

(a) 所提出方法（称为KISSMatcher）的配准结果。KISS-Matcher可应用于平衡和非平衡设置，以及以自我为中心的扫描级别和地图级别尺度。灰色和青色分别表示源点云和目标点云，黄色表示通过我们的方法得到的扭曲后的源点云。

(b) TEASER++流程[1]与我们的KISS-Matcher之间的速度比较。请注意，时间涵盖了整个流程，从特征提取和匹配到图论剪枝和姿态估计。值得注意的是，我们的方法相较于TEASER++能够实现显著的速度提升，且随着给定点数的增加，其优势更加明显。不同颜色代表不同的会话（彩色观看效果最佳）。

4. 主要贡献

大量实验表明，KISS-Matcher（i）在扫描级别配准方面与包括基于学习的方法在内的最新方法不相上下，（ii）在子图级别和地图级别配准方面表现出特别优越的应用性和可扩展性，以及（iii）成功解决了计算瓶颈。推荐课程：聊一聊经典三维点云方法，包括：点云拼接、聚类、表面重建、QT+VTK等。

5. 方法

局部与全局配准收敛方向的视觉描述，其中空间由3D扭转参数化，ζ ∈ R6。（a）当源点云与目标点云之间的姿态差异不大时，局部配准方法极有可能收敛到全局最优解。（b）然而，随着姿态差异的增加，局部配准方法可能会收敛到局部最小值（红色虚线箭头），（c）因此，全局配准是必要的，它可以通过最初减小视角差异（绿色实线箭头）来帮助局部配准收敛到全局最优解。

在本节中，我们按照图3所示的典型基于特征的鲁棒性异常值配准流程，介绍了我们的KISS-Matcher流程。我们的KISS-Matcher由四个组件组成：a) 几何抑制，b) 基于Faster-PFH的特征提取和初始匹配，c) 基于k核的图论异常值拒绝，以及d) 基于梯度非凸性的非最小求解器。

（a）快速点特征直方图（FPFH）和（b）我们提出的Faster-PFH的框图。RS是半径搜索的缩写。与FPFH不同，我们的Faster-PFH在法线估计和特征提取中仅执行一次半径搜索，并过滤掉噪声点，以尽可能减少计算成本。

6. 实验结果

(a) Kimera-Multi数据集中基于FAST-LIO2的SLAM生成的地图点云，不同颜色代表不同的机器人（彩色观看效果最佳）。(b)-(f) 与当前最先进方法的地图级配准比较。红色和绿色框分别标出了子图的配准失败和成功情况。请注意，紫色点云是目标点云，因此如果配准成功，其他点云应与紫色点云对齐。

(a) 在使用KITTI和MulRan数据集进行的2至12米回环闭合测试中，比较了单线程和多线程条件下快速点特征直方图（FPFH）与我们提出的Faster-PFH的速度。****标记表示配对t检验后p值小于10−4的测量结果。在此，GS表示图3中的几何抑制，我们采用地面分割作为几何抑制的方法。(b) 在给定相同数量对应关系的情况下，比较了TEASER++库中的最大团内点选择（MCIS）与我们基于最大k-核的外点剔除的速度。

7. 总结 & 未来工作

在本研究中，我们从整体视角重新审视了全局点云配准问题，并提出了一种多功能开源配准流程——KISS-Matcher，旨在实现从扫描级到地图级的快速、稳健且可扩展的配准。通过在不同场景下的实验，我们证明了我们提出的KISS-Matcher在成功率方面与当前最先进的方法不相上下，但速度却快得多。在未来的工作中，我们计划将我们的匹配流程应用于地图构建和定位应用。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~