【SLAM】开源 | DeepMapping：实现更鲁棒、更准确的多重点云全局配准框架

获取完整原文和代码，公众号回复：1811.11397

论文地址： https://arxiv.org/pdf/1811.11397.pdf

代码： 公众号回复：1811.11397

来源： 美国罗彻斯特大学

论文名称：DeepMapping Unsupervised Map Estimation From Multiple Point Clouds

原文作者：Li Ding

内容提要

本文提出了一种新的配准框架DeepMapping，使用深度神经网络(DNNs)作为辅助功能，将多重点云从零开始对齐到全局一致的框架。通过使用DNNs来建模高度非凸映射过程，传统上涉及手工数据关联、传感器姿态初始化和全局细化。本文的关键创新点——使用定义好的无监督损失函数来训练这些DNNs，解决了基础的配准问题，但对要求ICP实现良好初始化的依赖性小。本文框架包含两个DNNs：（1）定位网络，估计输入点云的位姿；（2）地图网络，通过估计全局坐标的占用情况来建模场景结构。这使得可以将配准问题转化为二值占用分类问题，然后利用基于梯度的优化方法进行有效地求解。本文进一步证明，通过在连续点云之间施加几何约束，DeepMapping能够很容易地扩展到对激光SLAM问题的求解上。我们同时在模拟和真实的数据集上进行了实验。从定性和定量的实验结果比较可知，与现有技术相比，DeepMapping能够实现更鲁棒和更准确的多重点云全局配准。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。