PointNetKL：测深SLAM中用于GICP协方差估计的深度推断
机器人学
2020-10-13 v1 机器学习
摘要
点云配准方法已成为许多自动驾驶车辆SLAM系统的关键组件。然而，对此类配准不确定性的准确估计是在SLAM滤波器中一致融合该类测量的关键要求。该估计通常以点云参考帧间变换的协方差给出，已通过不同方法建模，其中被认为最准确的是蒙特卡洛方法。然而，蒙特卡洛近似在诸如在线SLAM等时间关键型应用中使用起来很繁琐。已有研究通过精心设计的特征从原始点云中提取抽象信息，以通过机器学习估计该协方差。但该方法的性能对所选特征敏感。我们认为可以通过处理原始数据来同时学习特征和协方差，从而提出一种基于PointNet的新方法。在这项工作中，我们使用所学不确定性分布与蒙特卡洛方法计算的分布之间的KL散度作为损失来训练该网络。我们将所提出通用模型的性能应用于我们的目标用例——受限于3D测深点云二维配准的自主水下航行器（AUV）SLAM——进行了测试。
引用
@article{arxiv.2003.10931,
title = {PointNetKL: Deep Inference for GICP Covariance Estimation in Bathymetric SLAM},
author = {Ignacio Torroba and Christopher Iliffe Sprague and Nils Bore and John Folkesson},
journal= {arXiv preprint arXiv:2003.10931},
year = {2020}
}
备注
Submitted for publication in IEEE Robotics and Automation Letters (RA-L)