雷达里程估计与度量定位中鲁棒关键点预测的学习：低调前行
计算机视觉与模式识别
2020-02-25 v3 机器学习
机器人学
摘要
本文提出了一种自监督框架，用于学习检测雷达中用于里程估计和度量定位的鲁棒关键点。通过在我们的架构中嵌入一个可微分的基于点的运动估计器，我们仅从定位误差中学习关键点的位置、分数与描述子。该方法避免了对何为鲁棒关键点施加任何假设，并且关键地使它们能够针对我们的应用进行优化。此外，该架构与传感器无关，可应用于大多数模态。我们在 Oxford Radar RobotCar Dataset 上进行了 280 公里真实世界驾驶的实验，在点基雷达里程计方面优于当前最优（SOTA）方法，将误差降低多达 45%，同时运行速度快一个数量级，并同时求解度量回环闭合。结合这些输出，我们提供了一个能够在城市环境中使用雷达进行完整建图与定位的框架。
引用
@article{arxiv.2001.10789,
title = {Under the Radar: Learning to Predict Robust Keypoints for Odometry Estimation and Metric Localisation in Radar},
author = {Dan Barnes and Ingmar Posner},
journal= {arXiv preprint arXiv:2001.10789},
year = {2020}
}
备注
Video summary: https://youtu.be/L-PO7nxWpJU