DeepMapping2：自监督大规模 LiDAR 地图优化
计算机视觉与模式识别
2023-06-16 v2
摘要
LiDAR 建图在自动驾驶和移动机器人中重要且具有挑战性。为解决这一全局点云配准问题，DeepMapping 将复杂的地图估计转化为简单深度网络的自监督训练。尽管其在小数据集上收敛范围较广，DeepMapping 仍无法在数千帧的大规模数据集上产生满意结果。这是由于缺乏回环闭合与精确跨帧点对应关系，以及其全局定位网络收敛缓慢。我们提出 DeepMapping2，通过添加两种新技术解决这些问题：（1）基于回环闭合的地图拓扑组织训练批次；（2）利用成对配准的自监督局部到全局点一致性损失。我们在公开数据集（KITTI、NCLT 和 Nebula）上的实验与消融研究证明了我们方法的有效性。
引用
@article{arxiv.2212.06331,
title = {DeepMapping2: Self-Supervised Large-Scale LiDAR Map Optimization},
author = {Chao Chen and Xinhao Liu and Yiming Li and Li Ding and Chen Feng},
journal= {arXiv preprint arXiv:2212.06331},
year = {2023}
}
备注
accepted by CVPR 2023