RDMNet：基于可靠稠密匹配的自动驾驶点云配准网络
计算机视觉与模式识别
2023-04-03 v1 机器人学
摘要
点云配准是机器人与自动驾驶中估计车辆自身运动的一项重要任务。近期遵循由粗到细范式的方法在点云配准上展现出良好潜力。然而，现有方法依赖于良好的超点对应，这类对应难以可靠且高效地获取，从而导致点云配准的鲁棒性与精度不足。本文提出一种新颖网络 RDMNet，用于由粗到细地寻找稠密点对应，并基于此类可靠对应改进最终的位姿估计。我们的 RDMNet 采用所设计的 3D-RoFormer 机制，首先提取具有判别性的超点，并生成两幅点云间可靠的超点匹配。所提出的 3D-RoFormer 将 3D 位置信息融合进 transformer 网络，高效利用点云的上下文与几何信息以生成鲁棒的超点对应。随后，RDMNet 利用邻域信息将稀疏的超点匹配传播为稠密点匹配，以实现精确的点云配准。我们在来自不同环境的多个数据集上广泛评估了该方法。实验结果表明，我们的方法在所有测试数据集上均优于现有的 SOTA 方法，并具备较强的泛化能力。
引用
@article{arxiv.2303.18084,
title = {RDMNet: Reliable Dense Matching Based Point Cloud Registration for Autonomous Driving},
author = {Chenghao Shi and Xieyuanli Chen and Huimin Lu and Wenbang Deng and Junhao Xiao and Bin Dai},
journal= {arXiv preprint arXiv:2303.18084},
year = {2023}
}
备注
11 pages, 9 figures