基于 3D LiDAR 点云深度“可移动”物体分割改进地图重定位
计算机视觉与模式识别
2019-10-09 v1 机器学习
机器人学
摘要
定位与建图是实现自动驾驶车辆导航的关键组成部分，其精度需超越商用基于 GPS 的系统。当前的里程计与建图算法能够提供这一精确信息。然而，这些算法对动态障碍和环境变化（即便在短时间范围内）缺乏鲁棒性，迫使每次会话都生成新地图而无法利用先前获得的地图。本文中，我们提出使用深度学习架构从 3D LiDAR 点云中分割可移动物体，以获得更持久的 3D 地图。这反过来将允许在后续日期实现更好、更快且更精确的重定位与轨迹估计。我们在一个极具动态且杂乱的场景（一个超市停车场）中展示了方法的有效性。为此，我们在不同日期记录了若干序列，并比较了使用与不使用可移动物体分割方法时的定位误差。结果表明，我们能够在过滤后的地图上精确重定位，相对于未过滤地图版本平均持续降低轨迹误差 35.1%，相对于当前会话创建的独立地图降低 47.9%。
引用
@article{arxiv.1910.03336,
title = {Improving Map Re-localization with Deep 'Movable' Objects Segmentation on 3D LiDAR Point Clouds},
author = {Victor Vaquero and Kai Fischer and Francesc Moreno-Noguer and Alberto Sanfeliu and Stefan Milz},
journal= {arXiv preprint arXiv:1910.03336},
year = {2019}
}