层次化注意力与图神经网络：迈向无漂移位姿估计
计算机视觉与模式识别
2023-09-19 v1 机器学习
机器人学
摘要
解决三维几何配准最常用的方法是迭代最近点（iterative closet-point）算法，该方法是增量的且易在连续多帧中发生漂移。解决漂移的常用策略是在帧间配准之后进行位姿图优化，并引入回环检测以识别曾到访过的位置。在本文中，我们探索一种框架，用利用层次化注意力机制与图神经网络的习得模型替代传统几何配准与位姿图优化。我们提出一种压缩数据流的策略，保留精确估计刚体位姿所需的基本信息。我们在 KITTI Odometry 数据集上的测试结果表明，位姿估计精度得到显著提升。与通过位姿图优化进行传统多路配准所得结果相比，这种提升在旋转分量确定上尤为显著。代码将在审稿完成后公开。
引用
@article{arxiv.2309.09934,
title = {Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose Estimation},
author = {Kathia Melbouci and Fawzi Nashashibi},
journal= {arXiv preprint arXiv:2309.09934},
year = {2023}
}