PWCLO-Net:基于层次化嵌入掩码优化的三维点云深度LiDAR里程计
计算机视觉与模式识别
2021-04-05 v2
摘要
本文提出一种用于深度 LiDAR 里程计的新型三维点云学习模型,称为 PWCLO-Net,其使用层次化嵌入掩码优化。在该模型中,构建了用于 LiDAR 里程计任务的金字塔、扭曲与代价体(PWC)结构,以由粗到精的方式层次化地细化估计位姿。构建了一个注意力代价体来关联两个点云并获取嵌入运动模式。然后,提出一种新颖的可训练嵌入掩码,对所有点的局部运动模式进行加权以回归整体位姿并滤除离群点。估计的当前位姿用于扭曲第一个点云以缩小其与第二个点云的距离,然后构建残差运动的代价体。同时,嵌入掩码由粗到精地层次化优化,以获得更精确的滤波信息用于位姿细化。可训练的位姿扭曲-细化过程被迭代使用,以使位姿估计对离群点更鲁棒。在 KITTI 里程计数据集上证明了我们的 LiDAR 里程计模型的优越性能与有效性。我们的方法优于所有近期基于学习的方法,并在 KITTI 里程计数据集的大多数序列上优于基于几何的方法 LOAM(带建图优化)。我们的源代码将发布于 https://github.com/IRMVLab/PWCLONet。
引用
@article{arxiv.2012.00972,
title = {PWCLO-Net: Deep LiDAR Odometry in 3D Point Clouds Using Hierarchical Embedding Mask Optimization},
author = {Guangming Wang and Xinrui Wu and Zhe Liu and Hesheng Wang},
journal= {arXiv preprint arXiv:2012.00972},
year = {2021}
}
备注
Accepted to CVPR 2021