Apr, 2020

DMLO: 深度匹配 LiDAR 里程计

PDF
TL;DR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。
lidar odometrydeep matching lidar odometrylearning-based frameworkfeature matchingpose estimation
发现论文，激发创造
  • 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

  • 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

  • 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

  • DVLO：深度视觉 - LiDAR 里程计，使用局部到全局特征融合和双向结构对齐

    通过局部到全局的融合网络与双向结构对齐，本研究解决了视觉 - LiDAR 融合中由于两种模态之间内在数据结构不一致性而带来的挑战，取得了在 KITTI 里程计和 FlyingThings3D 场景流数据集上超过单模态和多模态方法的最新成果。

    Mar, 2024

  • 带有翻转一致性的自监督视觉 - LiDAR 测距 Odometry

    利用激光雷达传感器获取的稀疏但准确的深度测量，设计了一个自监督视觉 - 激光雷达里程计 (Self-VLO) 框架，该框架通过两个路径编码器提取视觉和深度图像中的特征，并将这些特征与多尺度解码器中的特征通过融合模块融合起来，从而在端到端学习的方式下产生姿态和深度估计。实验结果表明，该方法优于所有自监督视觉或激光雷达里程计，并且优于全监督视觉里程表，证明了融合的强大表现能力。

    Jan, 2021

  • 基于稠密三维流的单目视觉里程计与稠密三维建图学习

    本文介绍了一个全新的深度学习方法来进行单目 SLAM，通过使用学习视觉里程计（L-VO）和稠密 3D 映射的神经网络，该方法能够实现同时定位与建图。

    Mar, 2018

  • MAD-ICP：数据匹配的关键 -- 稳健且信息丰富的 LiDAR 里程计

    该研究论文介绍了一种 LiDAR 里程计系统，能够在不同操作条件下正常运行，并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式，用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图，将漂移控制在一定范围内。为了使研究社区受益，我们发布了一个开放源代码的 C++ 实现，可实时应用在任何时候。

    May, 2024

  • IMLS-SLAM: 基于 3D 数据的扫描匹配与建模

    基于 3D LiDAR 数据的低漂移 SLAM 算法，使用扫描到模型匹配框架和隐式移动最小二乘（IMLS）表面表示，通过 KITTI 基准测试在全球漂移率仅为 0.69％。

    Feb, 2018

  • F-LOAM: 快速激光雷达里程计与地图构建

    本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案，主要采用了非迭代两阶段畸变补偿方法、两个匹配模块，并考虑了局部光滑性进行迭代姿态优化，实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好，提供了一个性能和计算成本之间很好的平衡。

    Jul, 2021

  • 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