3D3L：面向 LiDAR 的深度学习三维关键点检测与描述
机器人学
2021-04-13 v2 计算机视觉与模式识别
摘要
随着高性能、轻量化 3D LiDAR 的出现，它们已成为各类自主系统上许多导航与 SLAM 算法的核心。处理非结构化点云的配准方法（如 ICP）往往计算昂贵或需要良好初值。此外，基于 3D 特征的配准方法在鲁棒性上从未真正达到视觉 SLAM 中 2D 方法的水平。随着 LiDAR 距离图像分辨率持续提升，这些 2D 方法不仅变得可行，还应利用随之而来的与光照无关的模态，如深度与强度。在视觉 SLAM 中，深度学习的 2D 特征与描述子相较传统方法表现极为优异。本文中，我们以最先进的 2D 特征网络为基础构建 3D3L，利用 LiDAR 距离图像的强度与深度提取强有力的 3D 特征。结果表明，从 LiDAR 扫描图像提取的这些关键点与描述子在多项基准指标上优于 SOTA，并可实现鲁棒的扫描到扫描对齐以及全局定位。
引用
@article{arxiv.2103.13808,
title = {3D3L: Deep Learned 3D Keypoint Detection and Description for LiDARs},
author = {Dominic Streiff and Lukas Bernreiter and Florian Tschopp and Marius Fehr and Roland Siegwart},
journal= {arXiv preprint arXiv:2103.13808},
year = {2021}
}
备注
Accepted for IEEE International Conference on Robotics and Automation, 2021