用于概率轨迹估计器的激光雷达特征无监督学习
机器人学
2021-02-23 v1
摘要
我们提出了一种高斯变分推断框架下的无监督参数学习方法，该方法将移动机器人的经典轨迹估计与面向丰富传感器数据的深度学习结合在单一学习目标之下。该框架是对现有系统辨识方法的扩展，原方法优化观测数据似然，我们借助批处理轨迹估计与深度学习的现代进展对其进行了改进。尽管该框架可泛化至任意形式的参数学习与传感器模态，我们展示了其在基于深度网络的3D激光雷达里程计特征与不确定性学习上的应用。我们的框架仅从车载激光雷达数据中学习，无需任何形式的真值监督。我们证明，我们的激光雷达里程计优于现有使用深度网络学习完整估计器的方法，并在KITTI里程计数据集上与最先进的基于ICP的方法性能相当。我们额外展示了在Oxford RobotCar数据集激光雷达数据上的结果。
引用
@article{arxiv.2102.11261,
title = {Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator},
author = {David J. Yoon and Haowei Zhang and Mona Gridseth and Hugues Thomas and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2102.11261},
year = {2021}
}
备注
Accepted for publication in RA-L 2021