《论文阅读》Poisson Surface Reconstruction for LiDAR Odometry and Mapping

2024-01-23 09:50
文章标签 阅读 论文 surface mapping reconstruction lidar poisson odometry

本文主要是介绍《论文阅读》Poisson Surface Reconstruction for LiDAR Odometry and Mapping，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

留个笔记自用

Poisson Surface Reconstruction for LiDAR Odometry and Mapping

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
在这里插入图片描述
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

在这里插入图片描述
这里的方法是将地图表示为通过泊松表面重建计算的三角形网格，在一系列过去的扫描中以滑动窗口的方式执行表面重建，可以获得非常精确的局部地图，这种地图是环境的几何精确表示

怎么做

整体过程分为三步，输入是一个整体的点云集，第一步，计算逐点法向量，第二步，将扫描点云注册（register，也可以称为点云配准）到分别的局部地图上，第三步，将注册的扫描融合到全局地图上
首先是第一步，逐点法向量计算
这里采用的方法是将点云集球面投影至2D平面，就像大多数Odometry论文做的Range-Image一样，然后在2D层次上与上下左右邻域计算cross product也就是叉乘得到各点法向量结果
然后是第二步和第三步，局部点云配准和全局地图，这是文章的核心
这里采用的方法是迭代进行点云集的点云与三角形网格的数据进行数据关联来确定匹配对应关系，采用的关联方法是ray-triangle也就是射线三角形网格交点的方法，具体方法是这样的
首先对于时间帧t-1和t，将估计的位姿转换Tt-1∈R4×4应用在t-1帧上。将现在的扫描作为初始对准，构造N个射线在这里插入图片描述
每个ri为在这里插入图片描述
其中在这里插入图片描述 在这里插入图片描述
这里的o是模拟原点，模拟的是估计的传感器位置，d是传感器方向，pi是现在这个扫描中的所有点，Ttk是第k个迭代的预测位姿转换，ttk∈R4是大T的平移部分，简单来说就是以估计传感器位置为原点，从原点射出n条射线传过这n个点，而这个估计是迭代式的，是由每次估计的位姿转换得到的
将每条射线（经过每个点云的点的射线）与三角形网格的交点设置为qi，法线设置为ni，然后就可以设置loss去计算扫描和网格之间的相对转换
然后再做一下离群点剔除在这里插入图片描述
简单来说就是防止射线与三角形网格的交点过远或者直接没有交点的情况
最后就是设置优化目标
在这里插入图片描述
这里的E（）就是前面有提到的相对转换误差，这里的设计方法有很多，文中提到的比如论文《A Method for Registration of 3D Shapes》中的，论文《Efficient variants of the ICP algorithm》中的，具体的就不做了解了，只要了解大致用处就行。
这里的pi和qi设计与前面相同，点与点对应的网格交点，C则是表示属于这个对应关系（离群点剔除之后）
在这里插入图片描述
也就是第k个迭代得到的位姿转换，简单来说这里的意思就是，根据当前迭代得到的位姿转换转换点p，最小化每个点p和其对应的交点q的Point-Plane误差
然后是最核心的部分，三角形网格的构造方法
在这里插入图片描述
常见的三维表面重建的方法是建立一个函数f（R3->R），这个函数的作用就是找点数据的底层表面，这里采用的是泊松表面重建，这种方法借鉴了之前的论文《Screened poisson surface reconstruction》
在这里插入图片描述
具体的方法论文里没有提到，就说反正这么用了，需要更加深入研究的是这个网格在SLAM中的使用，就略过了
接下来针对泊松重建做了一些改进，由于该文用到的部分数据集是外部数据集，外围空间不存在完整的封闭表面，但泊松重建是对每个点恢复表面，所以可能出现天空也被重建成封闭的情况，这种情况需要避免
这里采用的方法很简单，对于网格上的顶点v计算它的密度，也就是在原点云中有多少个点是支持这个重建的表面顶点的，根据密度进行筛选，也就是这里的深度图
在这里插入图片描述
这里还提到了有趣的一点，这种密度图的方法还过滤掉了场景中的动态对象，由于移动对象表面上的3D点通常只支持少量的网格点，是因为每次扫描表面位置均会产生变化，而这些低密度点就不会给它重建表面
最后是局部地图和全局地图的方法
这里的方法是将N次最近的扫描构建局部地图，全局仅用于可视化，在最初的N次扫描中禁用网格重建模块，依靠点到面的ICP去估计位姿，然后再每N次扫描配准后更新全局网格

总结

1.主要方法就是用了泊松重建，用构造逐点射线和三角形网格交点的方法去进行位姿优化，挺好的一种方法
2.文章没有用到太多DL的方法，之类的重建和交点设计是否可以用到DL，这是一个值得考虑的问题

这篇关于《论文阅读》Poisson Surface Reconstruction for LiDAR Odometry and Mapping的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/636019。

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来，一站式有声阅读平台听书系统 🌟 开篇：遇见未来，从“智听”开始 在这个快节奏的时代，你是否渴望在忙碌的间隙，找到一片属于自己的宁静角落？是否梦想着能随时随地，沉浸在知识的海洋，或是故事的奇幻世界里？今天，就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统，它正悄悄改变着我们的阅读方式，让未来触手可及！ 📚 第一站：海量资源，应有尽有 走进“智听
阅读更多...
AI hospital 论文Idea

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境，人类医生（即医学学习者）可以在其中与患者代理进行医学
阅读更多...
论文翻译：arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

论文翻译：arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染：一项综述 文章目录 大规模语言模型的基准数据污染：一项综述摘要1 引言 摘要 大规模语言模型（LLMs），如GPT-4、Claude-3和Gemini的快
阅读更多...
论文阅读笔记: Segment Anything

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear
阅读更多...
论文翻译：ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

论文翻译：ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的，这引发了人们的担忧和猜测，即它们可能已
阅读更多...
OmniGlue论文详解（特征匹配）

OmniGlue论文详解（特征匹配）

OmniGlue论文详解（特征匹配） 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super
阅读更多...
软件架构模式：5 分钟阅读

软件架构模式：5 分钟阅读

原文： https://orkhanscience.medium.com/software-architecture-patterns-5-mins-read-e9e3c8eb47d2 软件架构模式：5 分钟阅读 当有人潜入软件工程世界时，有一天他需要学习软件架构模式的基础知识。当我刚接触编码时，我不知道从哪里获得简要介绍现有架构模式的资源，这样它就不会太详细和混乱，而是非常抽象和易
阅读更多...
BERT 论文逐段精读【论文精读】

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型，提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练，提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的？使用了哪些 NLP 已有的技术和思想？哪些是 BERT 的创新？ 1标题 + 作者 BERT: Pre-trainin
阅读更多...
[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

引言 今天带来第一篇量化论文LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale笔记。 为了简单，下文中以翻译的口吻记录，比如替换"作者"为"我们"。 大语言模型已被广泛采用，但推理时需要大量的GPU内存。我们开发了一种Int8矩阵乘法的过程，用于Transformer中的前馈和注意力投影层，这可以将推理所需
阅读更多...
【阅读文献】一个使用大语言模型的端到端语音概要

【阅读文献】一个使用大语言模型的端到端语音概要

摘要 ssum框架（Speech Summarization）为了 从说话人的语音提出对应的文本二题出。 ssum面临的挑战： 控制长语音的输入捕捉 the intricate cross-mdoel mapping 在长语音输入和短文本之间。 ssum端到端模型框架 使用 Q-Former 作为 语音和文本的中介连接 ，并且使用LLMs去从语音特征正确地产生文本。 采取 multi-st
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2