AttDLNet：基于注意力的深度学习网络用于三维 LiDAR 地点识别
计算机视觉与模式识别
2023-01-05 v4
摘要
基于 LiDAR 的地点识别是自动驾驶和机器人应用中 SLAM 与全局定位的关键组件之一。随着 DL 方法从三维 LiDAR 中学习有用信息的成功，地点识别也受益于该模态，从而带来了更高的重定位与回环检测性能，尤其在条件显著变化的环境中。尽管该领域取得了进展，从三维 LiDAR 数据中提取适当且高效的、对变化条件和方向不变的 descriptors 仍是一项未解决的挑战。为解决此问题，本工作提出一种新颖的基于三维 LiDAR 的深度学习网络（命名为 AttDLNet），该网络使用基于距离的点云代理表示，以及带有堆叠注意力层的注意力网络，以选择性聚焦于长程上下文和特征间关系。所提网络在 KITTI 数据集上训练和验证，并给出消融研究以评估该新颖注意力网络。结果表明，向网络添加注意力提升了性能，实现了高效回环，并优于一种已建立的基于三维 LiDAR 的地点识别方法。从消融研究看，结果表明中间编码器层具有最高平均性能，而更深层对方向变化更鲁棒。代码公开于 https://github.com/Cybonic/AttDLNet
引用
@article{arxiv.2106.09637,
title = {AttDLNet: Attention-based DL Network for 3D LiDAR Place Recognition},
author = {Tiago Barros and Luís Garrote and Ricardo Pereira and Cristiano Premebida and Urbano J. Nunes},
journal= {arXiv preprint arXiv:2106.09637},
year = {2023}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in ROBOT 2022: Fifth Iberian Robotics Conference, and is available online at https://doi.org/10.1007/978-3-031-21065-5_26