DeepMapping：基于多幅点云的无监督地图估计
计算机视觉与模式识别
2019-04-10 v2 机器人学
摘要
我们提出 DeepMapping，一种新颖的配准框架，使用深度神经网络（DNNs）作为辅助函数，将多幅点云从头对齐至全局一致坐标系。我们利用 DNNs 对高度非凸的映射过程建模，该过程传统上涉及手工设计的数据关联、传感器位姿初始化与全局优化。我们的关键创新在于，用适当定义的无监督损失“训练”这些 DNNs 等价于求解底层配准问题，且比 ICP 对良好初始化的敏感度更低。我们的框架包含两个 DNNs：一个估计输入点云位姿的定位网络，以及一个通过估计全局坐标占用状态来建模场景结构的地图网络。这使我们能够将配准问题转化为二值占用分类，可使用基于梯度的优化高效求解。我们进一步表明，通过施加连续点云间的几何约束，DeepMapping 可轻松扩展以解决激光雷达 SLAM 问题。实验在模拟与真实数据集上进行。定性与定量比较表明，DeepMapping 通常比现有技术能实现更鲁棒、更准确的多幅点云全局配准。我们的代码见 https://ai4ce.github.io/DeepMapping/。
引用
@article{arxiv.1811.11397,
title = {DeepMapping: Unsupervised Map Estimation From Multiple Point Clouds},
author = {Li Ding and Chen Feng},
journal= {arXiv preprint arXiv:1811.11397},
year = {2019}
}
备注
This paper has been accepted for CVPR'19 oral presentation