SEM-GAT：基于学习图注意力的可解释语义位姿估计
机器人学
2023-10-24 v2 人工智能
计算机视觉与模式识别
摘要
本文提出一种基于图神经网络（GNN）的方法，利用语义与局部几何来引导可靠点云配准候选的识别。环境的语义与形态学特征作为配准的关键参考点，实现准确的基于激光雷达的位姿估计。我们新颖的轻量静态图结构通过识别语义实例关系来指导我们基于注意力的节点聚合网络，充当归纳偏置以显著减少点云配准的计算负担。通过连接候选节点并利用跨图注意力，我们为所有潜在配准对应点识别置信度分数，并估计点云扫描之间的位移。我们的流程通过将模型性能与环境局部结构的个体贡献相关联，实现对模型性能的内省分析，从而提供对系统行为的宝贵洞察。我们在 KITTI 里程计数据集上测试了我们的方法，在依赖显著更少网络参数的同时，取得了与基准方法竞争的精度以及更高的轨迹平滑度。
引用
@article{arxiv.2308.03718,
title = {SEM-GAT: Explainable Semantic Pose Estimation using Learned Graph Attention},
author = {Efimia Panagiotaki and Daniele De Martini and Georgi Pramatarov and Matthew Gadd and Lars Kunze},
journal= {arXiv preprint arXiv:2308.03718},
year = {2023}
}
备注
International Conference on Advanced Robotics (ICAR 2023)