BoxGraph：基于 3D LiDAR 的语义地点识别与位姿估计
计算机视觉与模式识别
2022-07-01 v1 机器人学
摘要
本文关于基于实例分割与图匹配、使用 LiDAR 点云实现的极高鲁棒性与轻量化定位。我们将 3D 点云建模为语义标识部件的全连接图，其中每个顶点对应一个物体实例并编码其形状。图间的最优顶点关联通过度量相似性可实现完整的 6 自由度(DoF)位姿估计与地点识别。该表示非常简洁，将地图尺寸较最先进方法压缩 25 倍，仅需 3kB 即可表示 1.4MB 的激光扫描。我们在 SemanticKITTI 数据集上验证了系统的有效性，在地点识别上取得了新的最先进结果，在 100% 精度下平均召回率达 88.4%，而次优竞争者仅为 64.9%。我们还展示了准确的度量位姿估计性能——估计 6-DoF 位姿的中位误差为 10 cm 与 0.33 度。
引用
@article{arxiv.2206.15154,
title = {BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR},
author = {Georgi Pramatarov and Daniele De Martini and Matthew Gadd and Paul Newman},
journal= {arXiv preprint arXiv:2206.15154},
year = {2022}
}
备注
Accepted for publication at the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022