QuadricsReg：利用语义二次曲面原语进行的大规模点云配准

《IEEE Transactions on Robotics》：QuadricsReg: Large-Scale Point Cloud Registration using Semantic Quadric Primitives

设计有效的可扩展场景基元表示对于大规模点云配准至关重要。本文提出QuadricsReg框架，基于四元式基元构建统一语义表示，在保持几何丰富性的同时实现高压缩率。通过内在相似性匹配初始化和多级图几何一致性约束，有效解决大规模多视角场景的配准问题，并采用基于四元式残差的退化感知因子图优化变换估计。实验表明，在KITTI等5个公开数据集上， QuadricsReg以约29.5KB/秒的压缩率实现接近100%的配准成功率，且在自建真实场景测试中表现出跨传感器和平台的高泛化能力。

　　

摘要：

设计一种高效且可扩展的场景原语表示方法对于大规模点云配准至关重要。现有的研究主要依赖于密集点云或单一类型的几何原语，这些方法难以应对数据量巨大、结构多样性和视角变化范围广泛的场景。为了解决这些问题，本文提出了一种基于二次曲面原语的大规模环境点云配准框架QuadricsReg。我们通过统一的语义二次曲面公式紧凑地建模了多种场景结构，在保持几何丰富性和可区分性的同时实现了高压缩率。这种表示方法通过内在相似性实现高效的二次曲面匹配初始化，并通过多级图中的几何一致性最大化来强化对应关系的鲁棒性，从而确保即使在较大的视角变化下也能获得可靠的关联结果。此外，我们基于考虑退化情况的二次曲面残差设计了因子图来估计变换参数，从而在异构场景中实现精确的对齐。我们在5个公共数据集上评估了QuadricsReg的性能，其出色的配准效果和低开销证明了其在大规模场景中的强大可扩展性。在KITTI数据集上，对于约29.5KB立方体的数据量，点云对的配准成功率接近100%。在真实世界数据集上的测试进一步验证了其在不同LiDAR传感器和机器人平台上的鲁棒性和泛化能力。