用于地点识别的 3D 片段描述子学习
机器人学
2018-04-26 v1
摘要
在缺乏全局定位信息的情况下，地点识别是实现任意环境中定位、建图与导航的关键能力。多数地点识别方法依赖图像、点云或二者结合。本工作中，我们利用片段提取与匹配方法，在基于激光雷达（LiDAR）的 3D 点云地图中实现地点识别。该方法的一个相关挑战是在视角变化或遮挡情况下对片段的识别。我们提出使用基于学习的方法，以取得比先前方法更高的召回准确率。利用作为当前最优分类器的卷积神经网络（CNNs），我们提出一种基于学习描述子的片段识别新途径。本文比较了三种不同 CNN 结构与训练方法的有效性。通过在城市驾驶场景中收集的真实数据上的若干实验，我们证明所提基于学习的方法优于手工设计描述子。
引用
@article{arxiv.1804.09270,
title = {Learning 3D Segment Descriptors for Place Recognition},
author = {Andrei Cramariuc and Renaud Dubé and Hannes Sommer and Roland Siegwart and Igor Gilitschenski},
journal= {arXiv preprint arXiv:1804.09270},
year = {2018}
}
备注
Presented at IROS 2017 Workshop on Learning for Localization and Mapping