高效 3D 深度 LiDAR 里程计
计算机视觉与模式识别
2022-09-16 v2
摘要
本文首次提出了一种用于 LiDAR 里程计的高效 3D 点云学习架构，名为 EfficientLO-Net。在该架构中，提出了投影感知的 3D 点云表示，将原始 3D 点云组织成有序数据形式以实现高效性。为 LiDAR 里程计任务构建了金字塔、变形和代价体（PWC）结构，以从粗到精的方式估计和优化位姿。构建了一个投影感知的注意力代价体，以直接关联两个离散点云并获取嵌入的运动模式。然后，提出了一个可训练的嵌入掩码，用于加权局部运动模式以回归整体位姿并过滤离群点。可训练的位姿变形精化模块与分层优化的嵌入掩码迭代使用，使位姿估计对离群点更加鲁棒。整个架构进行端到端整体优化，以实现代价体和掩码的自适应学习，并且所有涉及点云采样和分组的操作都通过投影感知的 3D 特征学习方法进行加速。我们在 KITTI、M2DGR 和 Argoverse 数据集上展示了我们 LiDAR 里程计架构的优越性能和有效性。在 KITTI 里程计数据集的大多数序列上，我们的方法优于所有最近基于学习的方法，甚至优于基于几何的方法 LOAM（带建图优化）。我们在 https://github.com/IRMVLab/EfficientLO-Net 开源了代码。
引用
@article{arxiv.2111.02135,
title = {Efficient 3D Deep LiDAR Odometry},
author = {Guangming Wang and Xinrui Wu and Shuyang Jiang and Zhe Liu and Hesheng Wang},
journal= {arXiv preprint arXiv:2111.02135},
year = {2022}
}
备注
17 pages, 13 figures. Accepted by PAMI 2022. arXiv admin note: substantial text overlap with arXiv:2012.00972