Глубокая лидарная одометрия с учетом геометрии
Это краткое изложение исследования — лишь одно из многих, которые еженедельно распространяются в информационном бюллетене ученых по искусственному интеллекту. Чтобы начать получать еженедельный информационный бюллетень, зарегистрируйтесь здесь.
Часто модули одометрии основаны на моделях и ориентированы на использование камер RGB-D и LiDAR. Несмотря на высокие характеристики, методы на основе моделей сталкиваются с проблемами, включая уязвимость к внешним воздействиям и выбору параметров. Тем не менее, были предприняты усилия по одометрии на основе обучения с использованием LiDAR.
Подход, основанный на обучении, с использованием LiDAR с глубоким обучением, был рассмотрен в многочисленных исследовательских работах в прошлом, когда исследователи следовали структуре контролируемого обучения и сталкивались с проблемой обработки плотного облака точек в глубокой нейронной сети. Поскольку предыдущие подходы основаны на обучении с учителем, которое требует достоверной информации с помеченными последовательностями, исследователи теперь разработали методологию без учителя для глубокой одометрии LiDAR.
Подход к одометрии с глубоким обучением
DeepLo — это новый подход, который представляет собой первую в мире неконтролируемую одометрию на основе обучения для LiDAR. DeepLo включает метод Iterated Closest Point (ICP) в структуру глубокого обучения и может обучаться с использованием как контролируемых, так и неконтролируемых подходов. Он также объединяет две функции потерь, которые позволяют переключаться между контролируемым и неконтролируемым обучением в зависимости от достоверности на этапе обучения. Для эффективного неконтролируемого обучения и прогнозирования исследователи применяют как вершину, так и карту нормалей в качестве входных данных и используют их для расчета потерь.
DeepLo был оценен с использованием известных наборов данных одометрии KITTI и Oxford RobotCar. Новый подход демонстрирует улучшенную производительность и эффективность для достижения точности позы.
Возможное использование и эффекты
Автономные исследователи и инженеры, а также все сообщество ИИ могут использовать DeepLo для облака точек LiDAR независимо от конфигурации или типа оборудования, чтобы добиться масштабируемости и гибкости во время обучения модели.
DeepLo также предоставляет им возможность одновременной эффективной локализации и картографирования (SLAM) для самых разных приложений, таких как автономные автомобили, роботы, 3D-картографирование и многое другое.
Спасибо за чтение. Пожалуйста, комментируйте, делитесь и не забывайте подписываться! Также подписывайтесь на меня в Twitter и LinkedIn. Ваше здоровье!
