代码开源!激光雷达 SLAM 的闭环检测:OverlapNet

点击上方“3D视觉工坊”,选择“星标”

干货第一时间送达

最近,德国波恩大学Photogrammetry and Robotics Lab新开源了用于激光雷达SLAM中闭环检测的代码:OverlapNet,该工作已经被Proceedings of Robotics: Science and Systems (RSS)录用。其中第一作者为华人在读博士Xieyuanli Chen,他也是之前开源项目SuMa++: Efficient LiDAR-based Semantic SLAM 的第一作者。

开源项目

以下是新开源代码相关的论文、视频、代码、作者个人主页等信息

论文名称:OverlapNet: Loop Closing for LiDAR-based SLAM

论文下载:https://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2020rss.pdf

代码链接:https://github.com/PRBonn/OverlapNet

作者个人主页:https://www.ipb.uni-bonn.de/people/xieyuanli-chen/

先来看下作者介绍的视频,了解一下该工作的主要内容

亮点

该开源项目主要亮点如下:

1、无需先验位姿信息,解决在自动驾驶中3D LiDAR SLAM 的闭环检测问题。

2、不需提前知道两个雷达扫描的相对位姿,只利用范围、法向量、强度和语义等线索,使用深度神经网络直接估计两个激光雷达扫描的重叠率,以及相对偏航角。

展示了 OverlapNet 的主要框架。模型输入是两个雷达扫描的球面投影,包含范围、法向量、强度和语义四个信道。经过共用的卷积神经网络滤波,在两个扫描中提取的特征图被一同用于预测重叠率和相对偏航角

3、结合里程计信息和重叠率预测实现闭环的检测、修正。

4、可以检测到的闭环整合到现有SLAM系统中,可以提高整体位姿估计的结果,产生全局一致的地图。

5、可以在比较有挑战性的环境下估计回环信息。

6、在不同数据集上泛化性能不错。作者训练模型使用的是 KITTI 数据集,在 Ford campus 数据集上进行测试评估。实验表明该方法仍然能够比最新的方法更有效地检测闭环。

本文提出的方法比其他方法回环检测的召回率与精确率曲线比较。注意本文的方法(红色和绿色曲线)只使用了KITTI数据集训练。没有使用 Ford campus 数据集训练,仍然可以在 Ford campus数据集实现良好的性能

本文仅做学术分享,如有侵权,请联系删文。

推荐阅读

重磅!3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群,目前主要有3D视觉CV&深度学习SLAM三维重建点云后处理自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群,请扫描下面微信号加群,备注:”研究方向+学校/公司+昵称“,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近1000+星球成员为创造更好的AI世界共同进步,知识星球入口:

学习3D视觉核心技术,扫描查看介绍,3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

3D视觉工坊 CSDN认证博客专家 算法 3D视觉
个人公众号:3D视觉工坊。公众号特邀嘉宾及合伙人,先后就职于国内知名研究机构、自动驾驶公司、海康研究院,主要研究方向为深度学习、目标检测、语义分割、图像处理、自动驾驶感知算法等,CSDN博客专家。博主先后任职于国内知名研究院、知名大厂,致力于3D视觉算法、VLAM算法开发,涉及相机标定、手眼标定、结构光、点云后处理、三维重建等相关领域的研究,同时也是CSDN博客专家。3D视觉工坊坚持原创,近一年来输出了非常多的高质量文章,获得了粉丝的一致好评,我们将始终坚持走原创路线,打造一个铁杆粉丝的聚集区。
©️2020 CSDN 皮肤主题: 书香水墨 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值