MinkLoc3D-SI：基于稀疏卷积、球坐标与强度的3D LiDAR地点识别
机器人学
2021-12-28 v2 计算机视觉与模式识别
摘要
3D LiDAR地点识别旨在基于旋转式3D LiDAR传感器的单次扫描，在先前已见环境中估计粗粒度定位。该问题的现有方案包括手工点云描述子（如ScanContext、M2DP、LiDAR IRIS）和基于深度学习的方案（如PointNetVLAD、PCAN、LPDNet、DAGC、MinkLoc3D），它们通常仅在Oxford RobotCar数据集的累积2D扫描上评估。我们提出MinkLoc3D-SI，一种基于稀疏卷积的方案，利用3D点的球坐标并处理3D LiDAR测量的强度，在使用单次3D LiDAR扫描时提升性能。我们的方法将手工描述子（如ScanContext）的典型改进与最高效的3D稀疏卷积（MinkLoc3D）相集成。实验表明在3D LiDAR单次扫描（USyd Campus数据集）上结果有所提升，并具备很强的泛化能力（KITTI数据集）。在累积2D扫描（RobotCar Intensity数据集）上使用强度信息可提升性能，尽管球面表示未带来明显改进。因此，MinkLoc3D-SI适用于3D LiDAR获取的单次扫描，使其在自动驾驶车辆中得以应用。
引用
@article{arxiv.2112.06539,
title = {MinkLoc3D-SI: 3D LiDAR place recognition with sparse convolutions, spherical coordinates, and intensity},
author = {Kamil Żywanowski and Adam Banaszczyk and Michał R. Nowicki and Jacek Komorowski},
journal= {arXiv preprint arXiv:2112.06539},
year = {2021}
}