Apr, 2019

LO-Net: 深度实时激光雷达里程计

PDF
TL;DR本文提出了一种新的深度卷积网络 LO-Net，其可以进行实时激光雷达里程计估计，并通过端到端的方式进行训练。LO-Net 具有一种新的掩码加权的几何约束损失函数，可以有效地学习 LO 估计的特征表达，并可以隐式地利用数据中的时序依赖和动态性。我们还设计了一个扫描到地图的模块，利用 LO-Net 中所学习的几何和语义信息，以提高估计精度。基准数据集上的实验表明，LO-Net 胜过现有的基于学习的方法，并具有与 LOAM 的现有状态 - of-the-art 几何方法相似的准确性。
发现论文，激发创造
  • LodoNet: 一种基于 2D 关键点匹配的深度神经网络用于 3D LiDAR 里程计估计

    本文介绍了一种基于深度学习的 LiDAR 测距测速 (lo) 估计方法，将 LiDAR 帧转换成图像空间并提取特征点来匹配，借助于卷积神经网络进行测距估计，并在 KITTI 测距数据集上验证了该方法的高效性。

    Sep, 2020

  • 基于长期循环卷积网络的 LiDAR 车载测距累计定位系统

    使用深度学习基于 LRCN 结构的 LiDAR 里程计估计方法，可精确预测连续机器人运动的姿态，经实验证明其在公共数据集 KITTI 中表现良好。

    Mar, 2023

  • SelfVoxeLO: 使用基于体素深度神经网络的自监督 LiDAR 里程计

    本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

    Oct, 2020

  • DELO：基于局部最优传输的深层证明式 LiDAR 里程计

    通过引入一种基于深度学习的实时 LiDAR 测距法，我们可以联合学习准确的帧间对应关系和模型的预测不确定性，从而为定位预测提供安全保护的证据，同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性，并展示了预测不确定性能如何在需要时作为位置图优化的证据，在 KITTI 数据集上验证了方法的竞争性性能和优越的泛化能力。

    Aug, 2023

  • PWCLO-Net: 使用分层嵌入掩码优化进行三维点云深度 LiDAR 里程计

    本文提出了一种名为 PWCLO-Net 的新颖的三维点云学习模型，用于深度 LiDAR 计算机视觉里程计，通过构建具有金字塔、翘曲和成本卷积（PWC）结构的模型，以逐渐精细的方法细化估计的姿态，建立一个关注成本卷积的、可训练的嵌入层，用以关联两个点云并获得嵌入式运动模式，以及提出了一种新的可训练嵌入掩模，以加权所有点的局部运动模式，以回归整体位姿并过滤离群点。

    Dec, 2020

  • 用于视觉定位和里程计的深层辅助学习

    本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

    Mar, 2018

  • 机器人应用中 LiDAR 自监督学习测距法

    提出了一种多用途的自监督 LiDAR 里程计估计方法，该方法在训练期间有选择地应用几何损失，无需任何标签或地面数据，适用于精度难以获得的应用中的姿态估计。

    Nov, 2020

  • 使用 Velodyne LiDAR 辅助 IMU 的 CNN 里程计估计

    本文介绍了一种使用卷积神经网络从 3D LiDAR 扫描中进行测距估计的新方法。使用 IMU 传感器支持和备用 CNN 模型实现了高质量的测距估计和 LiDAR 数据注册。该方法可以用于取代轮式编码器进行测距估计或补充缺失的 GPS 数据，为室内映射提供实时性和精度。

    Dec, 2017

  • LoGoNet: 基于局部到全局跨模态融合的精确三维物体检测

    本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

    Mar, 2023

  • DMLO: 深度匹配 LiDAR 里程计

    本文介绍了一种新型的基于学习方法的 Deep Matching LiDAR Odometry (DMLO) 框架，它将特征匹配方法应用到 LiDAR 地标测量任务中，该框架将 6-DoF 姿态估计分解为两个部分，一个学习匹配网络，另一个是通过奇异值分解（SVD） 得到的紧密形成解的刚性变换估计。实验结果表明，DMLO 远优于现有的基于学习方法的方法，并可与基于几何的最先进方法相媲美。

    Apr, 2020