Oct, 2022

IR-MCL: 基于隐式表示的在线全局定位

PDF
TL;DR本文提出一种基于神经场的方法，使用 2D LiDAR 数据在室内环境中估计机器人的姿态，并将其用于蒙特卡罗定位系统中的观测模型，实现了精确的本地化。实验表明，所提出的隐式表示能够预测更准确的 2D LiDAR 扫描，带来了粒子滤波定位的更好观测模型。
mobile robot2d lidar dataneural occupancy fieldlocalizationobservation model
发现论文，激发创造
  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • LISNeRF 绘图：基于语义神经场的大规模三维场景基于 LiDAR 的隐式绘图

    本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法，使用隐式表示进行建模。通过浅层多层感知机（MLPs）从隐式特征解码出语义信息和有符号距离值，并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化，最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比，我们的框架在三个真实数据集，SemanticKITTI，SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。

    Nov, 2023

  • 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

  • 结构化地形运动的神经场景表征

    本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。

    Jun, 2022

  • 基于学习的本地可定位性估计用于强鲁棒性激光雷达定位

    提出了一种基于神经网络的方法，用于检测在机器人运行期间的定位问题，着重关注激光雷达测距定位模块，该方法通过模拟数据训练，可以适用于不同的环境和传感器类型，并在挑战性环境下进行了实地实验测试。

    Mar, 2022

  • PIN-SLAM：使用基于点的隐式神经表达实现全局地图一致性的 LiDAR SLAM

    基于弹性和紧凑的基于点的隐式神经地图表示的 PIN-SLAM 系统提出了一种用于构建全局一致地图的 SLAM 系统。通过对局部隐式有符号距离场的增量学习和给定当前局部地图的位姿估计之间的交替进行，我们的方法使用无对应关系的点到隐式模型配准来进行。我们的隐式地图基于稀疏可优化的神经点，当闭环时，它们具有与全局位姿调整相对应的弹性和可变形性。通过神经点特征进行闭环检测。大量实验证实，PIN-SLAM 对各种环境均具有鲁棒性，并且适用于 LiDAR 和 RGB-D 相机等不同的范围传感器。在保持更一致、更紧凑的隐式地图的同时，PIN-SLAM 实现了与最先进的 LiDAR 路程计或 SLAM 系统相媲美或更好的位姿估计精度，并且优于最近的神经隐式 SLAM 方法，可以重构为准确和完整的网格。最后，由于用于高效神经点索引的体素哈希和无需最近点关联的快速隐式地图配准，PIN-SLAM 可以在中等 GPU 上以传感器帧速率运行。

    Jan, 2024

  • 神经隐式稠密语义 SLAM

    提出了一种利用神经隐式场表示解决室内场景语义 V-SLAM 问题的在线框架，并通过多项实验表明其在测试时间具有精确的跟踪、地图绘制和语义标注能力，能够扩展到 RGB 图像输入，为机器人视觉感知及相关问题提供了可行的解决方案。

    Apr, 2023

  • 利用鼹鼠学习：可转移的潜在空间表示，实现无需重建的导航

    本研究提出通过盲辅助代理训练学习场景的可操作表示，用于导航决策，并且经实验证明该学习表示方式在处理复杂环境及从模拟到真实场景的转换时具有很好的鲁棒性。

    Jun, 2023

  • 用 Transformer 实现姿态作为查询：图像到 LiDAR 地图的定位

    本研究提出一种新型的基于 Transformer 的神经网络，可以在 end-to-end 的情况下将 2D 图像注册到 3D LiDAR 地图中进行车辆定位，达到了一定的准确度和实用性。

    May, 2023

  • LC$^2$: 基于 LiDAR 和相机循环约束的跨模态地点识别

    本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

    Apr, 2023