OCC-VO：基于 3D 占据的视觉里程计稠密建图用于自动驾驶
机器人学
2024-03-27 v2
摘要
视觉里程计（VO）在自主系统中起着关键作用，其主要挑战在于相机图像缺乏深度信息。本文提出 OCC-VO，一种利用深度学习最新进展将 2D 相机图像转换为 3D 语义占据的新框架，从而规避了传统上同时估计自身位姿与路标位置的需求。在该框架内，我们使用 TPV-Former 将环视相机图像转换为 3D 语义占据。针对此转换带来的挑战，我们专门定制了一种位姿估计与建图算法，其包含语义标签滤波、动态物体滤波，并最终利用 Voxel PFilter 维护一致的全局语义地图。在 Occ3D-nuScenes 上的评估不仅展示了相比 ORB-SLAM3 成功率提升 20.6%、轨迹精度提升 29.6%，也凸显了我们构建完整地图的能力。我们的实现已开源，详见：https://github.com/USTCLH/OCC-VO。
引用
@article{arxiv.2309.11011,
title = {OCC-VO: Dense Mapping via 3D Occupancy-Based Visual Odometry for Autonomous Driving},
author = {Heng Li and Yifan Duan and Xinran Zhang and Haiyi Liu and Jianmin Ji and Yanyong Zhang},
journal= {arXiv preprint arXiv:2309.11011},
year = {2024}
}
备注
7pages, 3 figures