南洋理工最新工作：3D语义点云全局描述子，解决大场景下3D LiDAR位置识别

以下内容来自从零开始机器人SLAM知识星球 每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

论文# SectionKey: 3-D Semantic Point Cloud Descriptor for Place Recognition

论文地址：IROS2022论文集

作者单位：南洋理工大学

在SLAM应用中，位置识别被视为纠正累积误差的关键。现有的研究大多集中在视觉位置识别上，视觉位置识别对光照、天气和季节等环境变化很敏感。考虑到这些原因，最近使用3D LiDAR 进行地点识别引起了更多的关注，这表明通过利用准确的几何信息来识别更可靠。不同于单纯的基于几何的研究，本文提出了一种新的全局描述符SectionKey，它综合了语义和几何信息来解决大规模城市环境中的位置识别问题。所提出的描述符具有较强的鲁棒性和对视角变化的不变性。具体地说，将编码后的三层关键字作为预选步骤，并在计算相似度得分之前采用候选中心选择策略，从而显著提高了准确率和效率。然后，应用两步语义迭代最近点算法得到候选点云与查询帧对齐的三维姿态(x，y，θ)，并计算相似度得分。在公开的语义Kitti数据集上进行了广泛的实验，证明了我们提出的系统的性能优于最新的方法。

本文贡献如下：

1、我们提出了一种新颖的三层旋转不变全局描述子SectionKey，它充分利用了语义和几何信息。

2、我们提出了一种新的位置识别框架，它包括具有三层关键字的描述符构造子模块和采用候选中心策略的候选选择子模块。

3、我们在语义Kitti数据集上进行了大量的实验。实验表明，提出的方法优于最先进的方法。






以上内容来自从零开始机器人SLAM知识星球 每日更新内容

本文由博客一文多发平台 OpenWrite 发布！