基于SO3等变隐式形状表示无对应点云配准方法研究.pdfVIP

使用SO(3)等变隐式形状表示进行无对应点云配准

12112

,MaaniGhaffari,密歇根大学机械工程系密歇根大学船舶与海

洋工程系{minghanz,maanigj,hpeng}@umich.edu

：本文提出了一种点云旋转配准的无对应方法。我们学习了特征空间

中每个点云的嵌入，该特征空间保留了SO(3)等方差属性，这得益于等变

神经网络的发展。所形状配准方法通过将等变特征学习与隐式

形状模型相结合实现了三个主要优点。首先，由于类似于PointNet的网

络架构中的排列不变特性，消除了数据关联的必要性。其次，由于S

O(3)等方差性质，特征空间中的配准可以使用Horn方法以封闭形式求解。

第三，由于配准和隐式形状重建的联合训练，配准对点云中的噪声具有鲁

棒性。实验结果表明，与现有的无对应深度配准方法相比，具有优越的性

能。

：点云配准，隐式形状模型，等变神经网络，表示学习

1简介

点云是感知中3D信息表示的主要形式，如今有许多应用，包括智能机器人和自动驾驶汽

车。捕获相同底层对象或场景的两个不同点云的配准是指估计对齐它们的相对变换。点云

配准可以实现多个观测值的信息聚合，这对于绘图、定位、形状重建和对象等许多任

务至关重要。给定点云对之间完美的点对点配对，可以使用Horn方法[1]以封闭形式求

解相对变换。

然而，这种配对在现实问题中不可用或被破坏，这对点云配准任务（即数据关联）提出了

重大。ICP匹配欧几里德空间中的点，并使用当前姿态估计[2]迭代更新匹配。

在深度学，神经网络强大的特征学习能力可以更好地描述和区分点，提高点的匹配

度。总的来说，这些方法可以归类为基于对应的。

另法称为无对应配准，它是通过学习整个点云的全局表示并通过对齐其表示来估计

变换来完全规避点[3]的匹配。与基于函授的类似，无函授也可以涉及或不涉及

深度学习。这种方法的主要是神经网络实现的输入欧几里得空间和输出特征空间之间

的映射是非线性且模糊的。因此，通常依赖具有局部线性化的迭代优化方法，例如‑牛

顿[4]。当初始姿态差异变大时，这些方法的性能会。如果配准结果与初始姿态无关，

则该方法称为全局方法，否则称为局部方法[5]。大多数现有的无通信方法都是本地的。

在本文中，我们采用等变神经网络和隐式形状学习进行无对应配准，实现了两大优势。首先，由于等

价

第五届机器人学习会议(CoRL2021)，英国伦敦。

Correspondence-FreePointCloudRegistrationwith

SO(3)-EquivariantImplicitShapeRepresentations

121

MinghanZhu,MaaniGhaffari,HueiPeng

1DepartmentofMechanicalEngineering,UniversityofMichigan,UnitedStates

2DepartmentofNavalArchitectureandMarineEngineering,UniversityofMichigan,UnitedStates

{minghanz,maanigj,hpeng}@umich.edu

:Thispaperproposesacorrespondence-freemethodforpointcloudro-

tationa