4、基于多传感器数据融合的鲁棒环境感知技术解析

基于多传感器数据融合的鲁棒环境感知技术解析

1. 关键点估计与鲁棒模型

在多传感器数据融合的研究中，关键点估计是一个重要的环节。这里使用了一种鲁棒模型来进行关键点估计。

1.1 损失函数定义

为了训练网络，定义了一个由三个损失函数加权求和得到的损失函数：
[Loss = \lambda_1Loss_{pred} + \lambda_2Loss_{global} + \lambda_3Loss_{reg}]
其中，(M_i) 是第 (i) 个关键点的热图，(N(\cdot)) 是一个二维高斯函数，(\sigma_t) 受 (u_i) 约束，(JS(\cdot||\cdot)) 表示 JS 散度。

1.2 实验结果

实验部分主要包括数据准备、实现细节、学习策略和性能评估等方面。

• 数据准备
  • 使用 KITTI 生成的原始记录和图像云数据，这些数据包含多个场景的图像和相机校准信息，可用于训练和测试深度学习模型。
  • 基于图像对进行对齐，通过调整每个轴在 (\pm7.5^{\circ}) 范围内的旋转和平移来对齐两个图像，以建立两个图像之间存在一定相对变换的基本事实。
  • 对彩色图像和相机进行标准化处理，并将其作为输入数据，输入数据的范围在 (\pm0.2m) 内。为确保输入数据大小一致，设置 (N = 16384)，这样做的目的是使网络更易于处理输入数据并避免过拟合。
  • 在处理数据时，采用随机重用的方法，当视图较少时，随机重用数据以确保网络能够访问尽可能多的不同数