基于深度局部特征的粗到细 3D 激光点云定位方法用于大规模环境中长期机器人导航
机器人学
2025-05-27 v1
摘要
机器人的位置是移动机器人领域中的关键问题。当机器人的初始姿态未知时，这一问题尤为复杂，需进行全局定位。本文提出一种粗到细方法以解决此问题。粗略定位依赖于蒙特卡洛定位（MCL）方法的概率方法，运用强大的深度学习模型 MinkUNeXt 神经网络，在观测模型中生成对 3D 激光点云的稳健描述。对于细化定位，实现了全局点云配准。MinkUNeXt 通过利用其中间层的输出，为扫描中每个点生成深度局部特征。这些特征促进当前传感器观测与地图中某个点云之间的精确对齐。将深度局部特征用于细化定位的所提出的 MCL 方法称为 MCL-DLF。另外，为进行比较，实现了经典的 ICP 方法用于此精确定位，称为 MCL-ICP。为验证 MCL-DLF 方法的性能，测试了公开数据集如 NCLT 数据集，后者提供了季节性大规模环境。还对自有数据（UMH）进行了测试，该数据包括大型室内外场景中的季节性变化。与既有方法相比，结果表明 MCL-DLF 方法在环境条件变化的情况下仍能准确估计机器人在动态环境中的定位。为提高可重复性，代码已公开于 https://github.com/miriammaximo/MCL-DLF.git
引用
@article{arxiv.2505.18340,
title = {A Coarse to Fine 3D LiDAR Localization with Deep Local Features for Long Term Robot Navigation in Large Environments},
author = {Míriam Máximo and Antonio Santo and Arturo Gil and Mónica Ballesta and David Valiente},
journal= {arXiv preprint arXiv:2505.18340},
year = {2025}
}