本文提出了一种基于深度学习的激光里程计方法，利用全局稀疏匹配超越了DP-based方法，接近几何SOTA方法SUMA的性能。通过柱面投影、CNN匹配、NMS+RANSAC筛选和SVD求解，实现点云配准。
图森未来
本文提出了基于深度学习方法的激光里程计，首次在激光里程计任务中使用全局稀疏匹配。
其性能超越了现有的DP-based的方法，与几何SOTA方法（SUMA）性能很接近。
相关工作
- 局部迭代方法：ICP系列。应用比较普遍，但是计算量大，异常值敏感，需要很小心的初始化。
- 全局稀疏配准：使用局部几何描述子，大多数手工提取，不适用于稀疏、不均匀的点云数据。
- DP-based：几何不可解释，泛化性不能保证。
本文方法：DMLO
整体流程：
- 首先对输入的前后两个scan点云数据进行柱面投影，投影到2维
- 使用CNN求解匹配对
- 使用NMS＋RANSAC筛选匹配对
- 使用SVD求解相对位姿
1. 柱面投影
点云数据不太好处理：稀疏性，不均匀性，无序性
现有的方法有使用3D卷积、使用pointnet处理等。
作者选择了柱面投影到二维，得到更为稠密、均匀、紧致的表达。
投影公式：3D->2D,记为函数Φ()\Phi()Φ()
w=arctan2(y,x)/Δθh=arctan2(z,x2+y2)/Δϕ \begin{array}{l} w=\arctan 2(y, x) / \Delta \theta \\ h=\arctan 2\left(z, \sqrt{x^{2}+y^{2}}\right) / \Delta \phi \end{array} w=arctan2(y,x)/Δθh=arctan2(z,x2+y2)/Δϕ
2D->3D，记为函数Φ−1()\Phi^{-1}()Φ−1()
z=D(h,w)⋅sin(hΔϕ)x=D(h,w)⋅cos(hΔϕ)⋅cos(wΔθ)y=D(h,w)⋅cos(hΔϕ)⋅sin(wΔθ) \begin{array}{l} z=\mathbf{D}(h, w) \cdot \sin (h \Delta \phi) \\ x=\mathbf{D}(h, w) \cdot \cos (h \Delta \phi) \cdot \cos (w \Delta \theta) \\ y=\mathbf{D}(h, w) \cdot \cos (h \Delta \phi) \cdot \sin (w \Delta \theta) \end{array} z=D(h,w)⋅sin(hΔϕ)x=D(h,w)⋅cos(hΔϕ)⋅cos(wΔθ)y=D(h,w)⋅cos(hΔϕ)⋅sin(wΔθ)
得到的柱面图像是2通道的，一个记录距离r=x2+y2+z2r=\sqrt{x^{2}+y^{2}+z^{2}}r=
最低0.47元/天 解锁文章
扫一扫
2318
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
