FinderNet：一种无需数据增强、借助规范化辅助的点云六自由度分离回环检测与闭合技术
机器人学
2023-04-04 v1
摘要
我们关注多智能体场景下基于 LiDAR 点云的回环检测（或寻找）与闭合（LDC）问题。当前最优（SOTA）技术直接生成给定点云的学习嵌入，需要大量数据传输，并且对六自由度（DOF）视角的广泛变化不够鲁棒。此外，非结构化点云中强先验的缺失导致 LDC 极不准确。在这一原创方法中，我们提出利用公共主导地平面对点云进行独立的横滚与俯仰规范化。将规范化后的点云沿垂直于地平面的轴离散化，可得到类似于数字高程图（DEM）的图像，从而暴露场景中的强空间先验。我们的实验表明，基于此类 DEM 学习嵌入的 LDC 不仅数据高效，而且比当前 SOTA 显著更鲁棒、更具泛化性。我们在 Kitti、GPR 和 Oxford Robot Car 上针对多种 SOTA LDC 方法，在回环检测的平均精度以及相对位姿估计（或回环闭合）的绝对平移/旋转误差方面均报告了显著的性能提升。我们的编码器技术可将原始点云压缩超过 830 倍。为进一步测试我们技术的鲁棒性，我们创建并开源了一个名为 Lidar-UrbanFly Dataset（LUF）的自定义数据集，其包含由安装在四旋翼上的 LiDAR 获取的点云。
引用
@article{arxiv.2304.01074,
title = {FinderNet: A Data Augmentation Free Canonicalization aided Loop Detection and Closure technique for Point clouds in 6-DOF separation},
author = {Sudarshan S Harithas and Gurkirat Singh and Aneesh Chavan and Sarthak Sharma and Suraj Patni and Chetan Arora and K. Madhava Krishna},
journal= {arXiv preprint arXiv:2304.01074},
year = {2023}
}