SuMA++论文重点总结
SuMA++:Efficient LiDAR-based Semantic SLAM
简介:
基于曲面建图(surfelbased mapping)方法的基础上,增加语义信息的融合以解决建图时移动物体的问题。语义信息是通过神经网络完成,该网络给点云中的点添加标签,建图时得到的是带有标签的曲面,1、可以滤除动态物体 2、使用语义信息对里程计进行约束,提高建图的精度
主要贡献:
- 对点云进行语义分割,根据语义信息识别动态物体,并去除
- 把带有语义标签的物体进行数据关联,和几何信息一起建立约束关系,从而提高建图精度
整体思路:
- 通过网络对点云进行语义分割
使用RangeNet++方法。
- 使用漫水填充方法消除错误的类别标签
由于网络对点云进行的语义分割必然包含正确分类和错误分类,而这里面的错误会对后续环节产生不好的影响,因此有必要对其进行消除。这一环节的主要流程如下图所示。
上图中左侧是右侧图中虚线框方法的部分,先对(a)中的错误识别结果进行剔除,得到(b),然后利用周围的标签点云对他进行填充,得到(c)。最后(d)中显示的是(c)对应的深度图。
- 使用滤波器进行动态物体检测,并移除动态物体
动态物体的识别是根据物体在同一位置出现的概率实现的。具体来讲,就是说如果在这一帧中,某个位置出现了物体,在下一帧中,它还在,如果连续很多帧它都出现在同一个位置,那么它就是静止的,反之,在每一帧中检测到的位置都发生变化,那么它就是移动的。当然,此处位置指的是地图中的位置,而不是相对于当前帧点云的位置。上面是为了方便理解采用的通俗的解释,实际算法实现是用下面的公式
这个公式其实和cartographer移除动态物体的公式很像
- 建立带语义信息约束的ICP模型,优化里程计精度
我们知道ICP对两帧点云匹配其实就是让两帧点云对应点的距离达到最小,越小说明位姿估计的越准。但它仅使用几何信息,鲁棒性不是很好。此处作者为了改进这一问题,把语义信息也加入了ICP的数据关联当中,每一个物体对应一个关联关系,进行位姿估计时,除了点云要尽量接近,带语义标签的各个物体也要尽量接近。
SuMA++论文重点总结相关推荐
- 商汤及联合实验室入选论文重点解读 | ECCV 2018
本文经AI新媒体量子位(公众号ID:qbitai )授权转载,转载请联系出处 本文约3400字,建议阅读10分钟. 本文为大家解读了几篇商汤及联合实验室的入选论文. 9月8日-14日,备受瞩目的201 ...
- SuMa++论文笔记
SuMa++: Efficient LiDAR-based Semantic SLAM Lidar,surfel-based,Bonn University,Laval University,KITTI ...
- SuMa++论文阅读
SuMa++: Efficient LiDAR-based Semantic SLAM 摘要和引言 摘要 关键 方法 结果 引言 关键工作 过程 主要贡献 结果和讨论 结果 下一步 讨论 方法和实验 ...
- ESDB论文重点整理
目录 基本概念 ESDB用途 - 交易数据查询 ES基本概念 ESDB创新点 ESDB架构 3.1 应用层 3.2 控制层 3.3 执行层 ESDB负载均衡 哈希.双重哈希 动态二次哈希 ESDB数据 ...
- High-Resolution Image Synthesis with Latent Diffusion Models 论文重点
Content High-Resolution Image Synthesis with Latent Diffusion Models Abstract 1. Introduction 不足之处: ...
- 论文阅读:SuMa++
论文阅读:SuMa++ 论文:<SuMa++: Efficient LiDAR-based Semantic SLAM> SuMa++是建立在SuMa基础上的方法,该方法使用了基于Ran ...
- 重磅 | 周志华最新论文:首个基于决策树集成的自动编码器,表现优于DNN
向AI转型的程序员都关注了这个号☝☝☝ 翻译 | AI科技大本营(rgznai100) 参与 | 周翔.reason_W成龙,Shawn 今年 2 月,南京大学的周志华教授和他的学生 Ji Feng ...
- 这份GitHub 2.3k星的ML论文清单拿好,工作用得上
鱼羊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 工欲善其事,必先利其器. 在工作中动手实施自己的ML项目之前,了解领域里的前沿进展,吸收前人的经验,是很有必要的. 不过,现在arXiv上每 ...
- 复旦邱锡鹏超全NLP预训练模型综述论文:两张图带你梳理完整脉络
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 超全预训练语言模型概览,入门学习.搭建知识体系.找文献资料.找资源代码,这里有 N ...
最新文章
- 跟我一起学docker(四)--容器的基本操作
- exports、module.exports和export、export default到底是咋回事
- Docker Registry本地私有仓库搭建
- mybatis传参问题总结
- MySQL(10)--- 创建数据表
- angularjs1.x版本,父子组件之间的双向绑定
- 一个优秀数据分析师的准则
- array,集合(collection),集合(list)的区别
- 离职通知邮件主题写什么好_辞职信邮件主题.doc
- Existing trial license for IntelliJ IDEA Ultimate 2021.3 is expired
- “学习金字塔”的真与假
- 【MTK Front Camera Bringup】
- linux框架下搭建orl,DevOps和自动化运维实践/Linux\Unix技术丛书
- 【Flink】Flink中的窗口API、窗口函数以及迟到数据处理问题
- Java 对图片进行大小转换
- python菜鸟教程python机器学习工具库
- Unable to start activity ComponentInfo 解决方法
- 机器学习教学 plt.scatter()绘制散点图
- 云盒子企业私有云对局域网共享软件的代替
- Win10连不上蓝牙鼠标