NeRF-LOAM：面向大规模增量式激光雷达里程计与建图的神经隐式表示
计算机视觉与模式识别
2023-03-21 v1
摘要
利用激光雷达数据同时进行里程计与建图是移动系统在大尺度环境中实现完全自主的重要任务。然而，大多数现有的基于激光雷达的方法优先考虑跟踪质量而非重建质量。尽管近期开发的神经辐射场（NeRF）已在室内环境的隐式重建中展现出可喜进展，但利用增量式激光雷达数据在大尺度场景下同时进行里程计与建图的问题仍未被探索。为弥补这一差距，本文提出一种新颖的基于 NeRF 的激光雷达里程计与建图方法 NeRF-LOAM，由神经里程计、神经建图和网格重建三个模块组成。这些模块均利用我们提出的神经符号距离函数，该函数将激光雷达点分为地面与非地面点以减小 Z 轴漂移，并发优化里程计与体素嵌入，最终生成环境的高密度平滑网格地图。此外，该联合优化使我们的 NeRF-LOAM 无需预训练，并在应用于不同环境时表现出强泛化能力。在三个公开数据集上的大量评估表明，我们的方法利用激光雷达数据在大尺度环境中实现了最先进的里程计与建图性能以及强泛化能力。进一步地，我们进行了多项消融实验以验证网络设计的有效性。我们方法的实现将在 https://github.com/JunyuanDeng/NeRF-LOAM 提供。
引用
@article{arxiv.2303.10709,
title = {NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping},
author = {Junyuan Deng and Xieyuanli Chen and Songpengcheng Xia and Zhen Sun and Guoqing Liu and Wenxian Yu and Ling Pei},
journal= {arXiv preprint arXiv:2303.10709},
year = {2023}
}