Multi-Model 3D Registration: Finding Multiple Moving Objects in Cluttered Point Clouds

本文研究了3D配准问题的一个变体，称为多模型3D配准。在多模型配准问题中，我们得到了两个点云，描述了不同姿态下的一组物体（可能包括属于背景的点），我们希望同时重建出两个点云之间所有物体的运动。这种设置推广了标准的3D配准，标准的3D配准是指想要重建单个姿态，例如传感器拍摄静态场景的运动。此外，它为相关的机器人应用提供了数学基础，例如，机器人上的深度传感器感知动态场景，并有目标估计自身运动（从场景的静态部分）的同时恢复所有动态物体的运动。我们假设存在基于对应关系的设置，其中我们有两个点云之间的假定匹配，并考虑这些对应关系存在异常值的实际情况。然后，我们提出了一种基于期望最大化（EM）的简单方法，并建立了理论条件，使EM方法收敛到基本事实。我们在模拟和真实数据集中评估了该方法，这些数据集从桌面场景到自驾场景不等，并证明了当与最先进的场景流方法相结合以建立密集的对应关系时，该方法的有效性。

研究多模型三维配准问题，即如何同时重建多个物体在不同姿态下的运动情况。

提出一种基于期望最大化算法的简单方法，用于解决存在异常值的点云匹配问题，并建立理论条件以确保算法收敛到真实结果。

论文在模拟和实际数据集上进行了实验，展示了该方法与最先进的场景流方法相结合时的有效性。该方法对机器人应用具有重要意义，能够估计机器人自身运动并同时恢复所有动态物体的运动。

近期的相关研究包括：《PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud》、《3D Object Proposals using Stereo Imagery for Accurate Object Class Detection》等。