Estimating the covariance of point set registration based on the distribution-to-distribution normal distributions transform
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-05-17
Department
Major/Subject
Applied Mathematics
Mcode
SCI3053
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
66+3
Series
Abstract
Efficient and accurate point set registration is a key part of lidar-based odometry. It is possible to improve the odometry results by combining the lidar data with data from other sensors, e.g., inertial measurement units. In order to facilitate the sensor fusion, it is important to know the uncertainty associated with each sensor measurement. To this end, the distribution-to-distribution normal distributions transform (D2D-NDT) registration method is first introduced in a probabilistic setting and paired with a sensor noise model more sophisticated than the simple normally distributed noise that is commonly used. Then, a new method, based on previous work related to covariance estimation of iterative closest points registration, is developed for estimating the covariance of D2D-NDT registration. Finally, both D2D-NDT registration and its covariance estimate are derived for a simplified special case where the rotation is assumed to be known and registration is performed only for translation. The performance of the registration method and the covariance estimate are evaluated with synthetic and real-world data sets. Both the full and translation-only registration methods are considered. The results show that in cases where the relative rotation between point sets is known, translation-only D2D-NDT registration is at least as accurate and 2 to 5 times faster than the full D2D-NDT registration method. In particular, the accuracy of both methods in the conducted tests was at worst on the order of 1 mm with the synthetic data sets. The underlying objective function also proved to be easier to minimize, producing fewer failed registration results than the full registration method under the same conditions. The results also show that even when the relative rotation is not accurately known, the translation-only registration improves the alignment of the point sets, as long as the inaccuracy is on the order of a few degrees. Finally, the results indicate that the developed covariance estimate is not perfect but shows promise for future development. In particular, the method seems to produce covariance estimates with generally correct shape, but their scale is in the correct range with only a limited set of parameter combinations.Tehokas ja tarkka pistejoukkojen sovittaminen on keskeinen osa lidar-sensoreita hyödyntävää odometriaa. Odometrian tarkkuutta on mahdollista parantaa yhdistämällä lidar-dataan mittausdataa muista lähteistä, kuten kiihtyvyysantureista. Jotta eri lähteistä tulevia mittauksia voidaan yhdistää, on kuitenkin tunnettava kuhunkin mittaukseen liittyvä epävarmuus. Tässä työssä esitellään pistejoukkojen normaalijakaumamuunnosten keskinäiseen sovittamiseen perustuvan ns. D2D-NDT-sovitusmenetelmän probabilistinen versio, johon yhdistetään lidar-anturin toimintaperiaatteeseen perustuva pistemittausten virhemalli. Lisäksi kehitetään D2D-NDT-sovituksen kovarianssille estimaatti, joka perustuu alun perin iteratiiviselle lähimpien pisteiden menetelmälle kehitettyyn kovarianssiestimaattiin. Sekä D2D-NDT-sovitusmenetelmästä että sen kovarianssiestimaatista johdetaan lisäksi versiot tilanteessa, jossa pistejoukkojen välinen rotaatio oletetaan tunnetuksi, jolloin sovitus tehdään vain translaation osalta. Sovitusmenetelmän ja sen kovarianssiestimaatin suorituskykyä arvioidaan numeerisilla kokeilla, joita tehdään sekä synteettisellä että oikealla mittausdatalla. Kokeet tehdään kumpaakin sovitusmenetelmää käyttäen. Tulokset osoittavat, että kun pistejoukkojen välinen rotaatio tunnetaan, vain translaation huomioiva sovitusmenetelmä tuottaa vähintään yhtä tarkkoja tuloksia kuin täysi sovitusmenetelmä ja on 2--5 kertaa nopeampi. Tarkasti ottaen, kummankin menetelmän tarkkuus oli huonoimmillaan millimetrin luokkaa suoritetuissa testeissä, kun käytettiin synteettisiä pistejoukkoja. Lisäksi vain translaation huomioivan menetelmän kohdefunktio on helpompi minimoida, mikä näkyy huomattavasti pienempänä määränä epäonnistuneita sovituksia verrattuna täyteen sovitusmenetelmään samoilla alkuarvoilla. Tuloksista selviää myös, että vain translaation sovittava menetelmä kestää epätarkkuuksia tunnetussa rotaatiossa hyvin. Menetelmä parantaa pistejoukkojen välistä sovitusta alkuarvoista, kunhan epätarkkuus on korkeintaan muutaman asteen luokkaa. Tulokset osoittavat, että työssä kehitetty kovarianssiestimaatti ei toimi täydellisesti, mutta vaikuttaa lupaavalta jatkokehityksen kannalta. Tarkemmin sanottuna menetelmä tuottaa estimaatteja, joiden muoto on yleisesti ottaen oikeanlainen, mutta joiden skaalaus on oikeaa luokkaa vain rajatulla yhdistelmällä parametrejä.Description
Supervisor
Hannukainen, AnttiThesis advisor
Hyyti, HeikkiKeywords
point set registration, normal distributions transform, covariance estimation, range sensing