DCReg: Ontkoppelde karakterisering voor efficiënte gedegenereerde LiDAR-registratie

DCReg: Decoupled Characterization for Efficient Degenerate LiDAR Registration

September 8, 2025

Auteurs: Xiangcheng Hu, Xieyuanli Chen, Mingkai Jia, Jin Wu, Ping Tan, Steven L. Waslander

cs.AI

Samenvatting

LiDAR-puntwolkregistratie is fundamenteel voor robotperceptie en -navigatie. Echter, in geometrisch gedegenereerde of smalle omgevingen worden registratieproblemen slecht geconditioneerd, wat leidt tot onstabiele oplossingen en verminderde nauwkeurigheid. Hoewel bestaande benaderingen proberen deze problemen aan te pakken, slagen ze er niet in de kernuitdaging te adresseren: het nauwkeurig detecteren, interpreteren en oplossen van deze slechte conditionering, wat resulteert in gemiste detecties of verstoorde oplossingen. In deze studie introduceren we DCReg, een principieel raamwerk dat systematisch de slecht geconditioneerde registratieproblemen aanpakt via drie geïntegreerde innovaties. Ten eerste bereikt DCReg betrouwbare detectie van slechte conditionering door een Schur-complementdecompositie toe te passen op de Hessiaanmatrix. Deze techniek ontkoppelt het registratieprobleem in schone rotatie- en translatiesubruimtes, waardoor koppelingseffecten die degeneratiepatronen maskeren in conventionele analyses worden geëlimineerd. Ten tweede ontwikkelen we binnen deze schone subruimtes kwantitatieve karakteriseringstechnieken die expliciete mappingen tot stand brengen tussen wiskundige eigenruimtes en fysieke bewegingsrichtingen, wat bruikbare inzichten biedt over welke specifieke bewegingen beperkingen missen. Tot slot, gebruikmakend van deze schone subruimte, ontwerpen we een gerichte mitigatiestrategie: een nieuwe preconditioner die selectief alleen de geïdentificeerde slecht geconditioneerde richtingen stabiliseert, terwijl alle goed geconditioneerde informatie in de waarneembare ruimte behouden blijft. Dit maakt efficiënte en robuuste optimalisatie mogelijk via de Preconditioned Conjugate Gradient-methode met een enkele fysiek interpreteerbare parameter. Uitgebreide experimenten tonen aan dat DCReg een verbetering van ten minste 20% - 50% in lokalisatienauwkeurigheid en een versnelling van 5-100 keer bereikt in vergelijking met state-of-the-art methoden in diverse omgevingen. Onze implementatie zal beschikbaar zijn op https://github.com/JokerJohn/DCReg.

English

LiDAR point cloud registration is fundamental to robotic perception and navigation. However, in geometrically degenerate or narrow environments, registration problems become ill-conditioned, leading to unstable solutions and degraded accuracy. While existing approaches attempt to handle these issues, they fail to address the core challenge: accurately detection, interpret, and resolve this ill-conditioning, leading to missed detections or corrupted solutions. In this study, we introduce DCReg, a principled framework that systematically addresses the ill-conditioned registration problems through three integrated innovations. First, DCReg achieves reliable ill-conditioning detection by employing a Schur complement decomposition to the hessian matrix. This technique decouples the registration problem into clean rotational and translational subspaces, eliminating coupling effects that mask degeneracy patterns in conventional analyses. Second, within these cleanly subspaces, we develop quantitative characterization techniques that establish explicit mappings between mathematical eigenspaces and physical motion directions, providing actionable insights about which specific motions lack constraints. Finally, leveraging this clean subspace, we design a targeted mitigation strategy: a novel preconditioner that selectively stabilizes only the identified ill-conditioned directions while preserving all well-constrained information in observable space. This enables efficient and robust optimization via the Preconditioned Conjugate Gradient method with a single physical interpretable parameter. Extensive experiments demonstrate DCReg achieves at least 20% - 50% improvement in localization accuracy and 5-100 times speedup over state-of-the-art methods across diverse environments. Our implementation will be available at https://github.com/JokerJohn/DCReg.