DCReg: Разделенная характеристика для эффективной регистрации вырожденных данных LiDAR

DCReg: Decoupled Characterization for Efficient Degenerate LiDAR Registration

September 8, 2025

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

cs.AI

Аннотация

Регистрация облаков точек LiDAR является фундаментальной задачей для восприятия и навигации роботов. Однако в геометрически вырожденных или узких средах задачи регистрации становятся плохо обусловленными, что приводит к нестабильным решениям и снижению точности. Хотя существующие подходы пытаются справиться с этими проблемами, они не решают ключевую задачу: точное обнаружение, интерпретация и устранение этой плохой обусловленности, что приводит к пропуску обнаружений или искажению решений. В данном исследовании мы представляем DCReg, принципиальную структуру, которая систематически решает проблемы плохо обусловленной регистрации с помощью трех интегрированных инноваций. Во-первых, DCReg обеспечивает надежное обнаружение плохой обусловленности, используя декомпозицию Шура для матрицы Гессе. Этот метод разделяет задачу регистрации на чистые вращательные и трансляционные подпространства, устраняя эффекты связи, которые маскируют вырожденные паттерны в традиционных анализах. Во-вторых, в этих чистых подпространствах мы разрабатываем методы количественной характеристики, которые устанавливают явные соответствия между математическими собственными пространствами и направлениями физического движения, предоставляя полезные сведения о том, какие конкретные движения не имеют ограничений. Наконец, используя это чистое подпространство, мы разрабатываем целевую стратегию смягчения: новый предобуславливатель, который избирательно стабилизирует только выявленные плохо обусловленные направления, сохраняя всю хорошо ограниченную информацию в наблюдаемом пространстве. Это позволяет эффективно и устойчиво оптимизировать с помощью метода предобусловленного сопряженного градиента с одним физически интерпретируемым параметром. Многочисленные эксперименты демонстрируют, что DCReg обеспечивает улучшение точности локализации на 20% - 50% и ускорение в 5-100 раз по сравнению с современными методами в различных средах. Наша реализация будет доступна по адресу 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.