SelfVoxeLO：基于体素深度神经网络的自监督激光雷达里程计
计算机视觉与模式识别
2022-02-10 v3 机器人学
摘要
近期基于学习的激光雷达里程计方法已展现出其竞争力。然而，多数方法仍面临两个实质性挑战：1）激光雷达数据的 2D 投影表示无法有效编码点云中的 3D 结构；2）训练所需的大量标注数据限制了这些方法的应用范围。本文提出一种自监督激光雷达里程计方法，称为 SelfVoxeLO，以应对这两大困难。具体而言，我们提出一个 3D 卷积网络直接处理原始激光雷达数据，提取能更好编码 3D 几何模式的特征。为使我们的网络适用于自监督学习，我们设计了若干利用激光雷达点云固有属性的新颖损失函数。此外，损失函数中引入了不确定性感知机制，以缓解运动物体/噪声的干扰。我们在两个大规模数据集（即 KITTI 和 Apollo-SouthBay）上评估了方法性能。在 KITTI 数据集上，我们的方法在平移/旋转误差方面分别优于最先进的 unsupervised 方法 27%/32%，在 Apollo-SouthBay 数据集上也表现良好。通过加入更多无标注训练数据，我们的方法可进一步提升性能，达到与监督方法相当的水平。
引用
@article{arxiv.2010.09343,
title = {SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks},
author = {Yan Xu and Zhaoyang Huang and Kwan-Yee Lin and Xinge Zhu and Jianping Shi and Hujun Bao and Guofeng Zhang and Hongsheng Li},
journal= {arXiv preprint arXiv:2010.09343},
year = {2022}
}
备注
Accepted to CoRL 2020