《论文阅读》PSF-LO: Parameterized Semantic Features Based Lidar Odometry
留个笔记自用
PSF-LO: Parameterized Semantic Features Based Lidar Odometry
做什么
Lidar Odometry激光雷达里程计,里程计作为移动机器人相对定位的有效传感器,为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式,即移动机器人运动学模型。
简单来说,里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法
用建图的方式来理解,要实现机器人的定位与导航,就需要知道机器人走了多远,往哪走,也就是初始位姿和终点位姿,只有知道了里程计,才能准确将机器人扫描出来的数据进行构建。
做了什么
这里是一种新的基于自主设计的参数化语义特征的语义激光雷达里程计方法,简单来说就是进行逐点分割,然后构造各自类别的特征向量,再进行配准。
这种方法能在语义点云中更好的保留静态对象,同时准确地识别和去除动态对象
怎么做
整体结构分为两个模块,PSF模块和Odometry模块,整体过程是输入一个三维点云序列,输出相应的估计位姿转换,就是激光雷达里程计的任务,估计Ttw∈SE(3),代表t帧点云相对初始状态的位姿转换,由Rtw∈R3×3旋转矩阵和ttw三维平移向量组成
首先通过RangeNet++对点云序列进行点云分割,看下这分割的大概做法
1.将点云数据转换为range image(距离图像,应该是名称中’range’的由来)
在range image上进行2D全卷积语义分割
2.将2D语义信息转换到3D点云上
3.基于range image的3D后处理,可对所有点进行快速的基于GPU的kNN搜索,以清除undesired discretization and inference artifacts
【论文笔记】大规模点云分割网络 RangeNet++ 2019
然后按LOAM的方法进行逐点匹配
从逐点分割的结果(building、traffic sign、road)提取PSF结果,PSF的含义是parameterized semantic features就是语义特征的意思,通过这个特征向量去强化逐点匹配结果
接下里是具体细节部分,首先是第一个模块也是核心模块PSF模块
输入是点云Ctl,输出是所有点PSF组成的PSF帧,每个PSF由一系列特征组成,有parameterized equation coefficients(平面方程系数)Cs∈R3或6,可靠性权重ws∈R,语义标签ls,包围框中心es∈R3,包围框渲染系数os,这些在后面会一一进行解释
按照 RangeNet++的方法,这里将点云逐点分割成了四类
之后进行逐类的PSF分析
首先是road道路类,道路类点云有近密远疏的特点,所以这里采用了多分辨率2D网格的方法
将空间分割成一系列网格,然后用RANSAC对逐网格进行平面拟合以找到road点云平面,然后就可以进行PSF计算,
其中d是原点到平面的标量距离,n是指向原点到平面的单位法向量,这就是PSF中的平面方程系数
然后是权重w,通过平面拟合期间内联点占总点数的比率来计算的
然后是包围框的两个参数,计算所有内联体的最小封闭矩形,中心为e,四角为o
这里的内联点是inliers,在RANSAC中表示拟合平面上的点,还有个外联点,就是离群点,不在这个拟合上的点
然后是第二类Building类
同样,building跟上面的road几乎属于同类型点云,所以采用的方法和road类相同,但是有一点区别,为了防止出现一面墙有可能会分至两部分的情况
这里将网格旋转45度,然后对于每个网格进行多平面的PSF分析
然后是第三类Traffic sign类,由于交通灯类往往是独立于其他点云的,直接用欧式距离来进行分割,然后和building类一样进行多平面PSF分析
最后是第四类Pole-like类
就是杆状物体的分类,和上面的交通灯略有重合其实,这里的做法是欧式聚类后进行3D线RANSAC,然后计算PSF特征
平面系数c设置为
这里的pp是拟合线上最接近原点的点,np是直线指向z方向的单位方向向量,w,e,o都和road的PSF设计相同
总的来说,这个模块是对点云整体进行了一个点云分割,然后按照类别各自计算了不同的特征向量。
然后是第二个模块,Odometry模块,也就是任务导向模块
得到了PSF特征后,这里又提出了一个新的特征概念 refine geometric features(GEF)几何细化特征,PSF是用来辅助GEF进行匹配工作的
这里针对LOAM这个经典算法做了改进,就像上图展示的,先是去除了一些前面得到的不可靠的角点,然后是为GeF添加了一个语义一致性惩罚
这里的Ns是源GeF做KNN匹配的邻居数量,因此,权重w会随着语义一致性差而降低。
然后就可以计算PSF的强化
这里的w、l、e、o、s就是PSF特征的组成成分
接下来是error的设计部分
定义PSF为S,PSF帧为Fs,PSF子图为Qs
这里用的是一个加权平均的方法,这里的Sw是Fsw中的一个,c和w就是各自的PSF特征,S<>的含义是调用这个PSF特征里的某个参数,这里的计算意义就是可以理解成计算SQw也就是所有同类型的S的平均S
有了同一类型的S,就可以把这个估计值和真实值进行loss
然后是第二个error,这里参考的是pole-like的error设计
这里的n和p和前面3D线时的设计方式相同
总的来说这里就是用两个点云的PSF中同类型的PSF帧中的某些参数进行error计算对比
总结
1.从Lidar Odometry Based on PSFs也就是Odometry部分的GeF开始就不理解在做什么了,完全看不懂一步步在干什么,还是很少见的情况,整个处于迷糊状态,突然出现了一堆前面丝毫没有任何介绍的符号,只能希望他如果有开源代码再从代码上进行理解
2.总而言之理解一下就是这里借鉴了语义分割的方式来进行里程计操作,能更好的处理静态对象和动态对象
《论文阅读》PSF-LO: Parameterized Semantic Features Based Lidar Odometry相关推荐
- 【论文阅读】PSF-LO: Parameterized Semantic Features Based Lidar Odometry
这篇论文是阿里研究院的一篇论文,主要内容是结合语义.激光SLAM的一个前端里程计部分,除了语义信息与激光SLAM的整合,论文还使用了基于物体的思想,只保留了方便建图定位的静态四类物体:道路.建筑物.交 ...
- 论文阅读06——《CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering》
欢迎到我的个人博客看原文 论文阅读06--<CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network f ...
- 论文阅读Targetless Calibration of LiDAR-IMU System Based on Continuous-time Batch Optimization(含代码解读)
原文链接: https://arxiv.org/pdf/2007.14759v1.pdf 代码地址GitHub - APRIL-ZJU/lidar_IMU_calib: Targetless Cali ...
- 【论文阅读】Weakly Supervised Semantic Segmentation using Out-of-Distribution Data
一篇弱监督分割领域的论文,发表在CVPR2022上: 论文标题: Weakly Supervised Semantic Segmentation using Out-of-Distribution D ...
- 论文阅读:A deep multimodal network based on bottleneck layer features fusion for action recognition
摘要:提出了一个深度瓶颈多模式特征融合(D-BMFF)框架,融合RGB.RGB- d(深度)和三维坐标信息三种不同的模式进行活动分类.在四个数据集: UT-Kinect, CAD-60, Floren ...
- 论文阅读(3)--SPDA-CNN: Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition
这篇文章是来自罗格斯大学的Han Zhang等人的工作.由题目可知与上一篇文章一样,本文的作者也关注到了富有语义的局部(利用Part,Part,Part,重要事情强调三遍),作者不满足于CUB-201 ...
- 异常检测论文阅读《PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation》
<PANDA: Adapting Pretrained Features for Anomaly Detection and Segmentation> CVPR2021 论文背景: 近年 ...
- 论文阅读>烟雾检测:Vision based smoke detection system using image energy and color information
原文 Vision based smoke detection system using image energy and color information 文章目录 原文 基于图像能量和颜色信息的 ...
- 论文阅读 CVPR2022《Rethinking Semantic Segmentation:A Prototype View》
回顾一下语义分割,其实可以分为两种.一种是参数化的softmax投射,另一种是部分transformer的方法--query based的方法. 再回到论文的题目 关于prototype的类似定义,可 ...
- 【论文阅读】3D-CVF: Generating Joint Camera and LiDAR Features Using Cross-View Spatial Feature Fusion for
一个多模态 (Camera + Lidar) 3D 目标检测 SOTA 方法!论文链接:https://arxiv.org/abs/2004.12636 摘要 本文提出了一种融合摄像机和激光雷达传感器 ...
最新文章
- python程序员的工作内容_每个Python程序员都要知道的日志实践
- 青龙羊毛——B站天选
- Vivado HLS error: Cannot find ISE in the PATH variable or it's an unsupported version
- 郑州5月份的windows phone7小聚
- Linux操作系统中,*.zip、*.tar、*.tar.gz、*.tar.bz2、*.tar.xz、*.jar、*.7z等格式的压缩与解压...
- 【ACM】最长公共子序列 - 动态规划
- 退出登录后点返回键 是登录状态_看了这50条登录的测试点,你还敢说测试很容易吗...
- cos,sina,tan,cot
- 项目记录:solr4.2 在tomcat7 的两种(singlecore + multicore) 配置安装 及solrj 的初步使用...
- 《人月神话》阅读体会(三)
- 最流行PythonWeb开发框架
- 深度学习笔记_卷积神经网络参数计算
- 合并查找到的文件,至新的文件中
- 让LYNC安装更容易些
- 前端设备通过Ehome协议接入EasyCVR平台无法播放问题解决
- 基于C#和遥感软件二次开发的宜居度综合方法
- python图灵机器人教程_Python-微信图灵机器人
- 一维条码之code93码的生成和打印
- 计算机网络之网络层- IPv4编址
- 使用Springboot+MAVEN完成SSM项目的搭建(idea)--小白面试机试题
热门文章
- 【IIS问题】——默认网站localhost无法打开,错误类型404
- c1xx : warning C4199: C++/CLI、C++/CX 或 OpenMP 不支持两阶段名称查找;请使用 /Zc:twoPhase-
- U盘在windows电脑中毒,插入Macbook变成exe文件
- 华为防火墙配置IPSEC实现二个站点间网络互通 隧道模式 web配置(二)
- 2021高考成绩查询数学和物理,2021高考预测一本线 大概分数是多少
- C程序设计第五版谭浩强课后答案 第八章习题答案
- Python实现逆Radon变换——直接反投影和滤波反投影
- 半圆形进度条(vue加强版)
- 解决验证码不显示问题
- ubuntu18.04开机后出现黑屏 最上显示/dev/nvme。。。