CAE-LO: 利用全无监督卷积自编码器进行兴趣点检测与特征描述的激光雷达里程计
计算机视觉与模式识别
2020-11-03 v3
摘要
作为三维建图、自动驾驶和机器人导航中的一项重要技术,激光雷达里程计仍是一项具有挑战性的任务。合适的数据结构与无监督深度学习是实现易于调整且高性能的激光雷达里程计解决方案的关键。利用保留输入数据原始形状的紧凑二维结构化球环投影模型与体素模型,我们提出了一种基于全无监督卷积自编码器(CAE)的激光雷达里程计(CAE-LO),其使用二维 CAE 从球环数据中检测兴趣点,并使用三维 CAE 从多分辨率体素模型中提取特征。我们做出了若干关键贡献:1) 基于 KITTI 数据集的实验表明,我们的兴趣点能捕捉更多局部细节,从而在非结构化场景下提高匹配成功率,且我们的特征在匹配内点比上优于 SOTA 超过 50%;2) 此外,我们还提出了一种基于匹配对传递的关键帧选择方法、一种基于球环扩展兴趣点的关键帧里程计精化方法,以及一种反向位姿更新方法。里程计精化实验验证了所提思想的可行性与有效性。
引用
@article{arxiv.2001.01354,
title = {CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description},
author = {Deyu Yin and Qian Zhang and Jingbin Liu and Xinlian Liang and Yunsheng Wang and Jyri Maanpää and Hao Ma and Juha Hyyppä and Ruizhi Chen},
journal= {arXiv preprint arXiv:2001.01354},
year = {2020}
}
备注
11 pages