Chamelion：用于持续LiDAR地图变更检测的可靠方法

在线变更检测对于移动机器人高效地导航通过动态环境至关重要。检测瞬时环境中的变更，特别具有挑战性，例如活跃的施工场所或频繁重新配置的室内空间，因为存在频繁的遮挡和时空变化。现有方法往往难以检测变更，无法在不同观察中更新地图。为解决这些限制，我们提出了一个用于在线变更检测和长期地图维护的双头网络。该任务的一个关键难题是收集和对齐真实世界数据，因为手动注册随时间变化的结构差异既费力又常常不可行。为克服这一困难，我们开发了一种数据增强策略，通过从不同场景导入元素来合成结构变更，实现无需大量 ground-truth 标注即可有效训练模型。实验在真实施工场所和室内办公环境中进行，表明该方法在各种场景下都能很好地概括，实现高效且准确的地图更新。