SLAM 點雲圖鑑Point clouds for construction
M-01 · 2021

TEASER / TEASER++

TEASER 以截斷最小平方（Truncated Least Squares, TLS）成本處理大量錯誤對應，並以旋轉平移不變量的圖論框架將尺度、旋轉與平移分解後依序求解。尺度與平移以自適應投票求解，旋轉以半正定鬆弛（TEASER）或逐步非凸化（TEASER++）求解，並用最大團剔除大量離群對應。TEASER++ 另以 Douglas-Rachford 分裂計算最佳性證書，可用來辨識不可靠的配準結果。在 3DMatch 以 3DSmoothNet 對應點測試時，TEASER++ 平均 0.059 秒，八個場景中除 MIT Lab 外成功率都不低於 RANSAC-10K；經證書篩選（CERT）後成功率更高，但證書計算平均需 238 秒。場景對稱或正確對應少於 3 組時仍會失敗。

配準元件近十年已讀全文同儕審查已出版點雲配準元件

閱讀版本
arXiv 2001.07715v2 (17 Oct 2020), accepted version for IEEE T-RO, 44 pages including appendices A to W; T-RO version of record not compared
全文取得途徑
arXiv 預印本
本頁內容

Certifiable robust registration via TLS cost, decoupled scale/rotation/translation, max-clique outlier pruning, and GNC plus Douglas-Rachford certification in TEASER++.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入["RGB-D (3DMatch scans in experiments)", "RGB-D (large-scale hierarchical multi-view RGB-D object dataset [36], object pose tests)", "sensor-agnostic 3D correspondences"]
原文測試平台未記錄
狀態估計truncated least squares; adaptive voting for scale and translation; max-clique pruning on invariant measurements; SDP relaxation (TEASER) or GNC with Douglas-Rachford certification (TEASER++) for rotation (abstract, Sec. X)
資料關聯putative correspondences from FPFH for object pose (Sec. XI-D) or 3DSmoothNet descriptors with nearest-neighbour matching on the 5,000 provided keypoints per 3DMatch scan (Sec. XI-E); all-to-all hypotheses (|A| x |B| about 10^4 for 100-point clouds) in the correspondence-free test (Sec. XI-C)
時間表示不適用
去畸變不適用
迴圈閉合authors suggest certified registration for loop-closure validation in SLAM (Sec. XI)
全域最佳化certifiable global optimality of the rotation subproblem (abstract)
地圖表示3D point correspondences
先驗資訊none (no initial guess)
可輸出幾何scale, rotation, translation with optimality certificate
計算需求TEASER in MATLAB with cvx for the SDP is impractical for real time; TEASER++ in C++ (Eigen, OpenMP, parallel max clique) runs under 10 ms with known scale and under 30 ms with unknown scale for N = 100 on a laptop with an i7-8850H CPU and 32 GB RAM (Sec. XI, XI-B); about 2 s for 10,000 correspondences at 95% outliers (App. S); on 3DMatch, 0.059 s average vs 0.008 s for RANSAC-1K and 0.074 s for RANSAC-10K on a Xeon Platinum 8259CL at 2.50 GHz with 12 threads (Table II); certification averages 238.136 s on 3DMatch, 24 DRS iterations of 50 ms each in the synthetic test, and about 1200 s for the full SDP with K = 100 in MOSEK (Sec. VIII-C, XI-A, Table II)

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
RGB-D 相機原文未報告資料集感測器3DMatchRGB-D scans of 62 indoor scenes (54 train, 8 test); 5,000 keypoints per scan provided(Yang et al., 2021, Sec. XI-E)
RGB-D 相機原文未報告資料集感測器large-scale hierarchical multi-view RGB-D object dataset [36]large-scale RGB-D point cloud scenes with object labels(Yang et al., 2021, Sec. XI-D, App. T)
運算硬體i7-8850H CPU, 32GB RAM (laptop)執行運算平台未標示all tests except 3DMatch(Yang et al., 2021, Sec. XI (implementation details))
運算硬體Xeon Platinum 8259CL CPU at 2.50GHz (server)執行運算平台未標示server CPU; 12 threads allocated per algorithm; used for the 3DMatch scan-matching tests(Yang et al., 2021, Sec. XI-E)

作者報告的優勢與限制

優勢

  • robust to more than 99% outliers with known scale on benchmarks, with lower errors than GORE and about one order of magnitude faster (Sec. XI-B)
  • TEASER++ runs in milliseconds (abstract, Sec. XI-B)
  • MCIS pruning reduces outlier rates to below 10% (Sec. XI-A)
  • on 3DMatch TEASER++ success is 83.1% to 98.6% per scene and not below RANSAC-10K except MIT Lab, and certified results reach 88.6% to 99.4% (Table II)
  • object pose on eight RGB-D scenes with mean FPFH inlier ratio 6.53% gives mean errors 0.066 rad and 0.069 m (Table I)
  • correspondence-free registration succeeds down to 10% overlap and is more accurate than Go-ICP (Sec. XI-C)

限制

  • fails on scenes with symmetric keypoint distributions, e.g., a 180-degree wrong solution in 3DMatch Hotel 3 (Fig. 11)
  • cannot succeed when fewer than 3 inliers exist, which is not uncommon with current descriptors (Sec. XI-E)
  • adversarial outliers make outlier rejection ill-posed (Sec. IX, estimation contract)
  • with unknown scale TEASER and TEASER++ fail at 90% outliers (Sec. XI-B)
  • the GNC rotation solver alone fails above about 80% outliers, so TEASER++ depends on MCIS pruning (Sec. XI-A, X)
  • the correspondence-free mode needs quadratically many hypotheses, is dominated by max-clique and scale estimation time and fails below 10% overlap (Sec. XI-C)
  • TEASER with the full SDP is impractical for real time (Sec. XI-B)
  • RANSAC slightly better on the Lab scene of 3DMatch (Sec. XI)
  • running the certification (TEASER++ CERT) on 3DMatch required more than 200 s on average, although most instances were certified within 100 s (Sec. XI)

營建工程相關證據

原文未報告（對稱性造成失敗的案例與建物重複結構相關，屬推論）

原文驗證環境：模擬、公開基準

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 11 個比較組，合計 84 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 7 組列在最後，並連到性能比較頁。

Yang et al., 2021 · Text App. T 本方法 24 筆

表格設定（擷取紀錄原文）：Per-scene values listed under the Fig. 18 panels in App. T for the Table I experiment; units are not printed per scene (Table I uses rad and m); per-scene object label (cereal box or cap) not transcribed (Yang et al., 2021, Text App. T)

Rotation error，large-scale hierarchical multi-view RGB-D object dataset [36] · scene-1

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Yang et al., 2021 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：rad；場景：indoor tabletop scenes

數值與出處
方法（原文寫法）報告值出處
TEASER本方法原文提出0.066 rad(Yang et al., 2021, App. T, Fig. 18)

Yang et al., 2021 · Table II 本方法 18 筆

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Yang et al., 2021, Table II)

  • 3DMatch test scenes, 3DSmoothNet correspondences, success = rotation error < 10 deg and translation error < 30 cm; beta = 5 cm; CERT = subset certified with sub-optimality gap 3%; Xeon Platinum 8259CL, 12 threads
  • Same setting as other Table II rows

percentage of correct registration results，3DMatch · Kitchen

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Yang et al., 2021 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：%；場景：indoor RGB-D scans

資料來源作者報告值(Yang et al., 2021, Table II)

數值與出處
方法（原文寫法）報告值出處
RANSAC-1K91.3%(Yang et al., 2021, Table II)
RANSAC-10K97.2%(Yang et al., 2021, Table II)
TEASER++本方法原文提出98.6%(Yang et al., 2021, Table II)
TEASER++ (CERT)本方法原文提出99.4%(Yang et al., 2021, Table II)

Chang et al., 2022 · Table II 本方法 16 筆

表格設定（擷取紀錄原文）：Loop-closure relative pose estimation with different ICP initializations on ground-truth and false loop-closure sets; SAC cumulative error threshold 32 m (500 iterations), ICP threshold 0.9 m (200 iterations); errors computed on correct loop closures that passed SAC and ICP (Chang et al., 2022, Table II)

recall of correct loop closures passing SAC and ICP，CoSTAR multi-robot dataset: Tunnel · Tunnel

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Chang et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：%；場景：NIOSH Safety Research Coal Mine, Pittsburgh (narrow, mostly featureless tunnels)

資料來源作者報告值(Chang et al., 2022, Table II)

數值與出處
方法（原文寫法）報告值出處
GT initialization (oracle)90.8%(Chang et al., 2022, Table II)
OdomRot [8] initialization (LAMP 1.0)93.9%(Chang et al., 2022, Table II)
TEASER++ initialization + GICP本方法原文提出76.6%(Chang et al., 2022, Table II)
SAC-IA initialization + GICP原文提出81.9%(Chang et al., 2022, Table II)

Yang et al., 2021 · Table I 本方法 8 筆

資料集與序列large-scale hierarchical multi-view RGB-D object dataset [36] · eight scenes

表格設定（擷取紀錄原文）：Object pose estimation on eight scenes of the UW RGB-D dataset [36]: object (cereal box or cap) cut from the scene, scene randomly transformed, FPFH correspondences, both downsampled so the object has 2,000 points; mean and SD over the eight scenes (Yang et al., 2021, Table I)

Rotation error [rad]，large-scale hierarchical multi-view RGB-D object dataset [36] · eight scenes

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Yang et al., 2021 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：rad；場景：indoor tabletop scenes

數值與出處
方法（原文寫法）報告值出處
TEASER本方法原文提出0.066 rad(Yang et al., 2021, Table I)

其他比較組

列出其餘 7 個比較組

來源

  • Yang et al., 2021

    Heng Yang, Jingnan Shi, Luca Carlone（2021）TEASER: Fast and Certifiable Point Cloud RegistrationIEEE Transactions on Robotics, 37(2):314-333

    DOI 10.1109/tro.2020.3033695arXiv 2001.07715程式碼

    同儕審查已出版已讀全文近十年查證後修正

程式碼：https://github.com/MIT-SPARK/TEASER-plusplus（授權：MIT (LICENSE file checked)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉