面向大规模全局地点识别与重定位的必要特征对应估计
机器人学
2023-09-18 v2
摘要
全局地点识别与 3D 重定位是 3D LiDAR 同步定位与建图（SLAM）回环检测最重要的组件之一。为通过特征匹配方法求得准确的全局 6-DoF 变换，已有多种端到端架构被提出。然而，现有方法未考虑特征的错误对应，从而将不必要的特征也纳入全局地点识别与重定位。本文引入一种鲁棒对应估计方法，在移除不必要特征的同时突出必要特征。为聚焦于必要特征并忽略不必要特征，我们利用 3D LiDAR 点云所表示的两场景间几何相关性。我们提出对应辅助损失，基于点对齐算法找出关键关联，并使所提网络以鲁棒对应估计实现端到端训练。由于含大量平面块的地表在对应估计中充当离群点，我们还提出一个预处理步骤，通过移除主导平面块来考虑负对应。在动态城市驾驶数据集上的评估结果表明，所提方法可提升全局地点识别与重定位两项任务的性能。我们表明，估计鲁棒特征对应是地点识别与重定位的重要因素之一。
引用
@article{arxiv.2303.06308,
title = {Necessity Feature Correspondence Estimation for Large-scale Global Place Recognition and Relocalization},
author = {Kyeongsu Kang and Minjae Lee and Hyeonwoo Yu},
journal= {arXiv preprint arXiv:2303.06308},
year = {2023}
}