动态城市场景中杆状物体建图与无人车长期定位
机器人学
2021-03-30 v3
摘要
基于三维数据的定位是无人车面临的挑战性任务，尤其在长期动态城市场景中。由于普遍性与长期稳定性，杆状物体非常适合作为时变场景中无人车定位的地标。本文提出一种基于语义聚类地图的纯激光雷达长期定位算法。首先，利用卷积神经网络(CNN)推断激光雷达点云的语义。结合点云分割，提取场景中长期静态物体杆/树干并注册至语义聚类地图。当无人车再次进入该环境时，通过局部地图聚类与全局地图聚类匹配完成重定位。此外，局部与全局地图的持续匹配以 2Hz 稳定输出全局位姿，以校正三维激光雷达里程计漂移。所提方法无需维护高精度点云地图即可实现长期场景定位。在校园数据集上的实验结果表明，与当前最优方法相比，所提方法定位精度更优。本文源码见：http://www.github.com/HITSZ-NRSL/long-term-localization。
引用
@article{arxiv.2103.13224,
title = {Pole-like Objects Mapping and Long-Term Robot Localization in Dynamic Urban Scenarios},
author = {Zhihao Wang and Silin Li and Ming Cao and Haoyao Chen and Yunhui Liu},
journal= {arXiv preprint arXiv:2103.13224},
year = {2021}
}