KDD-LOAM：联合学习的 keypoint 检测器与描述子辅助 LiDAR 里程计与建图
计算机视觉与模式识别
2024-02-13 v1 机器人学
摘要
基于显著 3D 特征表示的稀疏 keypoint 匹配可提升点云配准的效率与鲁棒性。现有的基于学习的 3D 描述子与 keypoint 检测器或是独立的或是松耦合的，因此无法充分相互适应。本工作中，我们提出一种基于多任务全卷积网络与概率检测损失的紧耦合 keypoint 检测器与描述子（TCKDD）。特别地，该自监督检测损失使 keypoint 检测器充分适应任意联合学习的描述子，并有益于描述子的自监督学习。在室内与室外数据集上的大量实验表明，我们的 TCKDD 在点云配准中达到了 SOTA 性能。此外，我们设计了一种 keypoint 检测器与描述子辅助的 LiDAR 里程计与建图框架（KDD-LOAM），其实时里程计依赖于基于 keypoint 描述子匹配的 RANSAC。稀疏 keypoint 进一步用于高效的扫描到地图配准与建图。在 KITTI 数据集上的实验表明，KDD-LOAM 显著超越 LOAM 并在里程计中展现出有竞争力的性能。
引用
@article{arxiv.2309.15394,
title = {KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping},
author = {Renlang Huang and Minglei Zhao and Jiming Chen and Liang Li},
journal= {arXiv preprint arXiv:2309.15394},
year = {2024}
}