使用强度影像提升描述子在基于Segment的3D激光SLAM重定位中的作用

person 匿名

发布日期: 2021-09-14 13:14:37 浏览量: 203
评分:
star star star star star star star star star star_border
*转载请注明来自write-bug.com

On the descriptive power of LiDAR intensity images for segment-based loop closing in 3D SLAM

摘要

本文首次提出使用强度影像增强3D Segment(段)的描述子的描述能力,本文主要方法聚焦于学到一个具有描述占据部分影像的segments的特征,同时具备描述周围纹理信息的描述子。本文的方法是对Segmap框架的扩展,将一个新型的基于DNN的描述子插入到Segmap中(原始的Segmap中就有一个基于CNN的描述子…)。首先通过LiDAR点云帧做位姿估计和运动补偿,完成激光里程计,然后通过渐进式的欧式空间分割将点云帧分割为不同的块,这里保存了人造的强度影像信息和深度影像信息。回环候选是通过在目标地图中的描述子空间进行KNN搜索得到的,在通过一致性验证模块之后完成回环位姿的估计。
为什么说是人造的强度影像和深度影像呢?是因为作者将3D LiDAR做了圆柱投影,投影成强度图像。通过多分支的网络将由体素格网作为输入的3D几何分支与2D图像组成的强度分支融合成一个64x1的特征描述子。

利用LiDAR强度影像中获取的边界视觉纹理信息来增强3D Segment的描述子的描述能力。通过注意力热图可以看出本文提出的网络主要聚焦于暖色系标识区域的特征提取。

方法概述


本文的框架是对Segmap的扩展,主要修改了特征描述子提取,匹配和局部地图构建模块,其他部分均继承了Segmap的组件模块。

网络结构图


通过强度影像分支和3D体素几何分支学习segment的描述子。是一个3D网络和2D网络结合的网络架构,最后返回一个64x1的特征向量。将原始的点云转换为64x1维的描述子,点云地图表示为segment的特征描述子组成的特征地图,完成地图的压缩,做到大场景的重定位。相比于SegMatch中的描述子,本文的描述子效率还略有提升。

上传的附件
eject