【论文笔记】 ICRA 2021 通用无监督激光里程计 Self-supervised Learning of LiDAR Odometry for Robotic Applications

最新推荐文章于 2022-09-21 14:56:23 发布

原创

最新推荐文章于 2022-09-21 14:56:23 发布 · 1.4k 阅读

7 ·

CC 4.0 BY-SA版权

本文提出了一种无监督的激光雷达里程计方法，专注于提高在通用场景（如履带机器人、行走机器人）下的泛化能力。该方法基于法向量的几何损失，仅用两个简单的几何损失项就能达到高精度，且在推断阶段无需数据预处理，网络小巧，适用于移动平台。实验显示，该方法在多个数据集上表现出色，甚至优于一些有监督和无监督的视觉里程计方法。

Self-supervised Learning of LiDAR Odometry for Robotic Applications ICRA 2021

苏黎世联邦理工学院机器人系统实验室, 马克斯·普朗克学习系统中心，德国/瑞士
视频链接: https://www.bilibili.com/video/av287853798
代码链接: https://github.com/leggedrobotics/DeLORA
论文链接:https://arxiv.org/pdf/2011.05418.pdf

基于激光雷达的里程计已经有很多了, 包括传统几何方法(suma,loam)以及深度学习的方法(LO-net, deepLO等), 其中深度学习的方法又包括有监督和无监督两种.
但是,现有激光里程计都是基于自动驾驶场景的,而本文工作致力于提升激光里程计在通用场景下的泛化性, 如履带机器人、行走机器人等。此外，在网络的inference阶段不需要数据预处理（提取法向量等），网络小而轻（参数量10^7），可以运行在移动平台的CPU上。

无监督方法，不需要真值标签，仅用了两个几何损失就达到了相当高的精度（超越现有无监督方法，加入建图模块后超越了无监督视觉里程计），说明了该基于法向量的几何损失的有效性。

论文方法：

在这里插入图片描述

网络输入：前后两帧点云的柱面投影，　四通道图像，（ｘ，ｙ，ｚ，ｒ），r表示深度。同时还有预先计算好的法向量（PCA特征分解）。
网络结构：conv + 8 * resnet blocks, 降采样使用circular padding，而不是zero padding
网络输出：四元数 + 平移量

损失函数：

通过计算两帧点云的对应点之间的点云误差和法向量误差。首先需要指导两帧点云之间的对应点关系：

根据预测的相对位姿将一帧点云转换到另一帧上，在3D空间使用KD树搜索得到对应点关系。（基于scipy实现）

point to plane loss：
$\mathcal{L}_{\mathrm{p} 2 \mathrm{n}}=\frac{1}{n_{k}} \sum_{b=1}^{n_{k}}\left|\left(\hat{s}_{b}-s_{b}\right) \cdot n_{b}\right|_{2}^{2}$

最低0.47元/天解锁文章