指明方向：利用学习的 ICP 权重精炼雷达-激光雷达定位
机器人学
2025-05-28 v4 机器学习
摘要
本文提出一种新颖的基于深度学习的方法，以改进雷达测量值相对激光雷达地图的定位。该雷达-激光雷达定位融合了两种传感器的优势：雷达在恶劣天气下具有鲁棒性，而激光雷达在晴朗条件下可生成高质量地图。然而，部分由于雷达测量中特有的伪影，雷达-激光雷达定位难以达到与激光雷达-激光雷达系统相当的性能，阻碍其在自动驾驶中的可行性。本工作基于 ICP 的雷达-激光雷达定位，加入一个学习的预处理步骤，该步骤基于高层扫描信息对雷达点赋权。为训练该权重生成网络，我们提出一个独立的、开源的可微分 ICP 库。所学权重通过滤除与伪影、噪声乃至道路上车辆相关的有害雷达点来辅助 ICP。将解析方法与学习权重相结合，降低了整体定位误差并改善了在真实世界自动驾驶数据上运行的雷达-激光雷达 ICP 结果的收敛性。我们的代码库公开可用，以促进可复现性与扩展。
引用
@article{arxiv.2309.08731,
title = {Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights},
author = {Daniil Lisus and Johann Laconte and Keenan Burnett and Ziyu Zhang and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2309.08731},
year = {2025}
}
备注
8 pages, 4 figures, 1 table. Accepted to 22nd Conference on Robots and Vision (CRV) 2025