基于高分辨率图像的深度学习激光雷达数据增强：一种利用低成本激光雷达实现高性能激光雷达SLAM的方法
计算机视觉与模式识别
2020-08-11 v1 机器学习
机器人学
摘要
过去几十年中，基于激光雷达的SLAM算法被广泛研究，以为自动驾驶车辆（ADV）提供鲁棒且精确的定位。使用具有64通道的高端3D激光雷达可获得令人满意的性能，其能提供稠密点云。遗憾的是，其高昂价格严重阻碍了其于ADV中的广泛商业化。具有16通道的低成本3D激光雷达是一种有前景的替代方案。然而，16通道激光雷达仅能提供有限且稀疏的点云，无法保证ADV在具有挑战性的动态环境中足够的定位精度。来自低成本相机的高分辨率图像可提供关于周围环境的丰富信息。然而，图像中无法获得显式的深度信息。受3D激光雷达与相机互补性的启发，本文提出利用相机的高分辨率图像，基于最先进的深度学习算法来增强低成本16通道激光雷达的原始3D点云。首先采用ERFNet在原始稀疏3D点云的辅助下对图像进行分割。同时，采用稀疏卷积神经网络基于原始稀疏3D点云预测稠密点云。随后，利用一种新颖的多层卷积神经网络将预测的稠密点云与ERFNet的分割输出相融合，以细化预测的3D点云。最后，基于最先进的正态分布变换（NDT）利用增强后的点云执行激光雷达SLAM。我们在重新编辑的KITTI数据集上测试了我们的方法：（1）稀疏3D点云得到显著增强，均方误差为1.1m MSE。（2）由激光雷达SLAM生成的地图更稠密，包含更多细节且无显著精度损失。
引用
@article{arxiv.2008.03694,
title = {LiDAR Data Enrichment Using Deep Learning Based on High-Resolution Image: An Approach to Achieve High-Performance LiDAR SLAM Using Low-cost LiDAR},
author = {Jiang Yue and Weisong Wen and Jing Han and Li-Ta Hsu},
journal= {arXiv preprint arXiv:2008.03694},
year = {2020}
}