具有翻转一致性的自监督视觉-激光雷达里程计
计算机视觉与模式识别
2021-01-06 v1
摘要
大多数基于学习的方法利用视觉传感器估计自运动，但易受剧烈光照变化和无纹理场景的影响。在本文中，我们引入从激光雷达获得的稀疏但精确的深度测量，以克服视觉方法的局限性。为此，我们设计了一个自监督视觉-激光雷达里程计（Self-VLO）框架。它以单目图像和由三维激光雷达点投影得到的稀疏深度图作为输入，并以端到端学习方式产生位姿和深度估计，无需使用任何真值标签。为有效融合两种模态，我们设计了一个双通路编码器以从视觉和深度图像中提取特征，并通过我们的融合模块在多尺度上与解码器中的编码特征相融合。我们还采用连体架构并设计了一种自适应加权翻转一致性损失，以促进我们 VLO 的自监督学习。在 KITTI 里程计基准上的实验表明，所提方法优于所有自监督视觉或激光雷达里程计。它也优于全监督 VO，展示了融合的威力。
引用
@article{arxiv.2101.01322,
title = {Self-supervised Visual-LiDAR Odometry with Flip Consistency},
author = {Bin Li and Mu Hu and Shuling Wang and Lianghao Wang and Xiaojin Gong},
journal= {arXiv preprint arXiv:2101.01322},
year = {2021}
}
备注
9 pages, 5 figures, 2 tables, WACV 2021