Ch03. Point cloud matching - 3) 고전적인 Point cloud 매칭 방법론, 실습

Ch03. Point cloud matching

 

<목차>

3-1. Point cloud 매칭 및 활용 분야

3-2. Point cloud 특징 추출 방법

3-3. 고전적인 Point cloud 매칭 방법론, 실습

3-4. 딥러닝 기반 Point cloud 매칭 - RPM-Net

3-5. TEASER 라이브러리를 통한 Point cloud 정합

3-6. Point cloud 매칭을 활용한 Place recognition-PointNetVLAD

 

 

 

3-3. 고전적인 Point cloud 매칭 방법론, 실습

고전적인 방법들이 뒤에서 배울 딥러닝에 비해 효율이 많이 떨어지는 건 맞지만.. 기본적인 라이브러리에서 쉽게 함수를 불러올 수 있기에 급하게 정합이 필요할 때 정도 사용할 수 있다.. 그냥 여기서 파생해서 어떤 방법들을 사용하고 있는지 아는 절차라고 생각하자. 

 

• Unknown data association

Unknown data association를 풀기 위해서 우리는 계속 공부를 할 것이다. Correspondences 정보가 주어지지 않았기에 이를 직접 추정해야만 하고 이를을 기반으로 반복적으로 추정하기에 직접적인 해 Direct optimal solution이 없다. i) 두 포인트 클라우드로부터 매칭 correspondences를 추정하고, ii) 이를 기반으로 반복적으로 transformation을 refine하며 에러를 최소화해 나간다.

 

 

• Iterative closest point (ICP)

오른쪽 식은 그냥 생각해보면 쉽게 이해할 수 있다.

 

서로 다른 두 개의 점군을 정합하는 대표적인 방법. 예를 들어 같은 두 토끼 point cloud가 틀어져 있을 때, 반복적으로 수렴해 나간다. 위에 설명했듯이  포인트 클라우드로부터 매칭 correspondences를 추정하고, 반복적으로 transformation을 refine하며 에러를 최소화해나간다. 

cf. point to plane의 경우, x에서 평면을 표현한 점선으로 가는 벡터를 생각해보자. 이와 법선 벡터의 내적이 최소가 되려면 x가 평면 위로 올라간 경우임을 잘 알 수 있다.

 

경우에 따라 iteration을 많이 요구한다. 부정확한 초기치는 수렴이 늦어지거나 엉뚱한 local minima에 빠지게 만들 수 있다

이에 대한 후속 연구가 계속 나오고 있다. 

 

 

• Global registration

Global registration은 더 넓은 범위에서 포인트 클라우드 간의 정합을 수행하는 방법. 이는 국소적인 정합보다 더 큰 범위에서의 일치를 추구하며, 여러 가지 고급 알고리즘을 통해 정확도를 높일 수 있다. 쉽게 말하면 feature를 잘 뽑아서 global한 정보를 잘  registration하는 것이다.. feature를 잘 못 뽑으면 정합을 잘 못하는 한계를 갖는다.

 

 

 

3-4. 딥러닝 기반 Point cloud 매칭 - RPM-Net

 

3-5. TEASER 라이브러리를 통한 Point cloud 정합

 

3-6. Point cloud 매칭을 활용한 Place recognition-PointNetVLAD