基于地图一致性损失的激光雷达测量深度自监督校正

在三维建图及各种机器人应用中，深度感知被视为一种宝贵的信息来源。然而，使用消费级光探测与测距传感器（lidar，激光雷达）获取的点云地图仍受到与局部表面特性相关的偏差影响，例如测量光束与表面的入射角、距离、纹理、反射率或光照条件。这一事实近来促使研究者利用传统滤波器以及深度学习范式，以抑制上述深度传感器误差，同时保留几何与地图一致性细节。尽管已有诸多努力，激光雷达测量的深度校正仍是一项开放性挑战，主要原因在于缺乏可用作真值的干净三维数据。本文提出两种新颖的点云地图一致性损失，从而促成激光雷达深度校正模型在真实数据上的自监督学习。具体而言，这些模型利用同一场景来自不同视点的多次点云测量，基于所构建的地图一致性信号学习减小偏差。除消除测量中的偏差外，我们证明深度校正模型有助于减小定位漂移。此外，我们发布了一个数据集，包含在室内走廊环境中捕获的、具有精确定位与真值建图信息的点云数据。