基于学习注册相关特征的激光雷达惯性里程计与地图构建
机器人学
2024-10-07 v1
摘要
SLAM 是许多自主系统的重要能力，现代激光雷达方法展现了前景。然而，对于长期任务，现有方法要么直接操作完整点云，要么在提取特征后面临准确性与计算效率（如内存消耗）之间的关键权衡。为此，本文提出 DFLIOM 方案，包含若干关键创新。不同于依赖手工启发式方法和手工调参进行特征提取的先前方法，本文提出一种基于学习的方法选取激光雷达 SLAM 点云注册相关的点。此外，我们扩展先前工作 DLIOM，加入学习特征提取器，发现该方法仅使用约 20% 的稠密点云即可实现与或更好的定位性能。我们在多个公开基准测试中证明 DFLIOM 的良好性能，相较于最先进的方法（DLIOM），定位误差降低 2.4%，内存使用降低 57.5%。虽然提取该网络提取特征需要额外时间，但由于下游处理时间加快，维持了在硬件配置下使用 20Hz激光雷达的实时性能。我们通过与几种手工特征提取器的比较进一步证明了学习基于特征提取模块的有效性。
引用
@article{arxiv.2410.02961,
title = {LiDAR Inertial Odometry And Mapping Using Learned Registration-Relevant Features},
author = {Zihao Dong and Jeff Pflueger and Leonard Jung and David Thorne and Philip R. Osteen and Christa S. Robison and Brett T. Lopez and Michael Everett},
journal= {arXiv preprint arXiv:2410.02961},
year = {2024}
}
备注
8 pages, 6 figures