DeepPCO: 深度并行神经网络实现的端到端点云里程计
本文提出了一种单目视觉里程计算法,它结合了基于几何方法和深度学习的思想,并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明,该算法具有较强的鲁棒性和良好的性能。
Sep, 2019
本文提出了一种新的、基于深度循环卷积神经网络(RCNNs)的单目 VO 的端到端框架,通过该框架,可以直接从一系列原始 RGB 图像(视频)中推断出姿态,同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能,实验验证了该技术具备与传统 VO 系统相当的竞争力。
Sep, 2017
本文提出了一种基于深度端到端网络的长期六自由度视觉里程法,通过融合相对网络和全局网络来改进单目定位的准确性,并使用交叉变换约束和均方误差来优化参数,实验结果表明本方法在位姿准确性方面优于其他最先进的基于学习的视觉里程计方法。
Dec, 2018
该论文介绍了一种新方法,它将深度网络的能力与几何和概率定位算法的计算效率相结合,通过矩阵李群方法导出了一个新的损失函数用于学习 SE (3) 修正,用 DPC-Net 预测从地面实况训练数据中学习得到的模型纠正特定的估计器、传感器和环境误差,并展示了如何减轻镜头失真参数不良校准的影响。
Sep, 2017
本研究提出一种新型的端到端基于学习的 LiDAR 重定位框架,名为 PointLoc,它直接利用单个点云作为输入来推导 6-DoF 位姿,无需预先构建地图。该框架基于 PointNet,使用自我关注机制,能够高效地从 360 度 LiDAR 输入帧估计 6-DoF 位姿,并在实验中表现出较高的重定位精度。
Mar, 2020
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
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
使用深度神经网络进行图像生成任务以提取高级特征,进而估计视觉里程碑的深度和位姿,同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。
Sep, 2023
DeepICP 是一种端到端的学习框架,采用多种深度神经网络结构来实现 3D 点云的配准,并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。
May, 2019
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