Dichteinvariante Merkmale für die entfernte Punktwolkenregistrierung

Die Registrierung von entfernten, outdoor befindlichen LiDAR-Punktwolken ist entscheidend für die Erweiterung der 3D-Wahrnehmung kooperativer autonomer Fahrzeuge und bleibt dennoch herausfordernd aufgrund kleiner Überlappungsbereiche und erheblicher Dichteunterschiede zwischen den beobachteten Punktverteilungen. In diesem Artikel stellen wir einen Gruppen-basierten kontrastiven Lernansatz (Group-wise Contrastive Learning, GCL) vor, um dichteanpassungsfähige geometrische Merkmale zur Registrierung solcher Punktwolken zu extrahieren. Durch theoretische Analyse und experimentelle Validierung zeigen wir, dass kontrastive Positive unabhängig und identisch verteilt (i.i.d.) sein sollten, um dichteanpassungsfähige Merkmalsextraktoren zu trainieren. Auf dieser Erkenntnis aufbauend schlagen wir ein einfaches, jedoch wirksames Trainingsverfahren vor, das sicherstellt, dass die Merkmale mehrerer Punktwolken am selben räumlichen Ort (sogenannte „positive Gruppen“) ähnlich werden. Dieses Vorgehen vermeidet natürlicherweise die durch Paare von Punktwolken verursachte Stichprobenverzerrung und entspricht damit dem i.i.d.-Prinzip. Der resultierende voll-konvolutionale Merkmalsextraktor ist leistungsfähiger und dichteanpassungsfähiger als bestehende State-of-the-Art-Methoden und verbessert die Registrierungs-Recall-Rate für entfernte Szenarien auf den Benchmarks KITTI und nuScenes um jeweils 40,9 % und 26,9 %. Der Quellcode ist unter https://github.com/liuQuan98/GCL verfügbar.