通过代表性结构发现与三维固有误差建模的鲁棒自监督激光雷达里程计
计算机视觉与模式识别
2022-03-01 v1 机器人学
摘要
正确的自运动估计基本依赖于对相邻激光雷达扫描间对应关系的理解。然而，鉴于复杂场景与低分辨率激光雷达，为识别对应关系寻找可靠结构可能具有挑战性。本文中，我们深入探究结构可靠性以实现准确的自监督自运动估计，并旨在减轻不可靠结构在训练、推理与建图阶段的影响。我们从三方面大幅改进了自监督激光雷达里程计：1）开发了双阶段里程计估计网络，通过估计一组子区域变换并以运动投票机制对其平均来获得自运动，以鼓励网络聚焦于代表性结构。2）基于三维点协方差估计，在损失中降低无法通过自运动优化消除的固有配准误差的权重。3）将发现的代表性结构与学到的点协方差融入建图模块以提升地图构建的鲁棒性。我们的两帧里程计在KITTI数据集上以平移/旋转误差计优于先前最优方法16%/12%，并在Apollo-Southbay数据集上表现持续良好。借助我们的建图模块与更多无标签训练数据，我们甚至可与全监督对应方法相媲美。
引用
@article{arxiv.2202.13353,
title = {Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling},
author = {Yan Xu and Junyi Lin and Jianping Shi and Guofeng Zhang and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:2202.13353},
year = {2022}
}
备注
Accepted to Robotics and Automation Letters (RA-L) and International Conference on Robotics and Automation (ICRA), 2022