摘要

本文采用通用流形嵌入（Universal Manifold Embedding, UME）框架来估计刚性变换，并对其进行扩展，使其能够适应部分重叠及采样不同的点云场景。UME是一种用于将由刚性变换关联的同一物体的观测数据映射至单一低维线性子空间的方法。该过程生成了对变换具有不变性的观测表示，其矩阵形式具有协变性（即等变性）。我们通过引入一种与UME兼容的特征提取方法，并结合独特的UME对比损失（UME contrastive loss）与采样均衡器（sampling equalizer），对UME框架进行了扩展。上述组件被整合进一个完整且鲁棒的配准流程中，命名为UMERegRobust。此外，本文提出了RotKITTI配准基准，专门用于评估在大角度旋转场景下的配准方法性能。实验结果表明，UMERegRobust在KITTI基准上实现了优于现有最先进方法的性能，尤其是在严格精度标准（1°, 10cm）下，平均提升达+9%；在RotKITTI基准上更是显著超越当前最先进方法，相较最新SOTA方法实现了+45%的性能提升。