UnPWC-SVDLO：基于PointPWC的多重SVD无监督激光雷达里程计
计算机视觉与模式识别
2022-05-18 v1 机器人学
摘要
高精度激光雷达里程计是自动驾驶的重要组成部分。近年来，深度学习方法已广泛应用于激光雷达里程计任务，但现有方法大多仅提取点云的全局特征，无法获取更精细的点级特征。此外，现有方法仅使用全连接层进行位姿估计。全连接层在分类任务中取得了显著效果，但位姿变化是一个连续而非离散的过程，仅使用全连接层无法获得高精度位姿估计。本文方法避免了上述问题。我们以PointPWC作为骨干网络。PointPWC最初用于场景流估计，该任务与激光雷达里程计有很强的关联性。通过将场景流与源点云相加，可以得到目标点云。我们可直接通过奇异值分解（SVD）求解的ICP算法获得位姿，不再使用全连接层。PointPWC从不同采样级别的点云中提取点级特征，解决了特征提取过于粗糙的问题。我们在KITTI、Ford Campus Vision and Lidar DataSet和Apollo-SouthBay数据集上进行了实验，结果可与当前最先进的无监督深度学习方法SelfVoxeLO相媲美。
引用
@article{arxiv.2205.08150,
title = {UnPWC-SVDLO: Multi-SVD on PointPWC for Unsupervised Lidar Odometry},
author = {Yiming Tu},
journal= {arXiv preprint arXiv:2205.08150},
year = {2022}
}