17、论文解读:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map

本文主要是介绍17、论文解读:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map,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!

简介:

Scan Context(常简称SC):是2018年韩国kim等发在IROS上的一篇文章,是在shape context的基础上提出的,可以和loam系的一些文章相结合用于回环检测。

标题:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map
作者:Giseop Kim, Ayoung Kim
来源:2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
文章链接:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map
代码链接:SC-lego-loam
代码解读:18、SC-lego-loam代码解读

现在已经有了一些SC的增强版本:isc-loam。
注:均为个人解读版本,用于学习记录和复习,如有不足,请多多指教。

Abstract:

为了实现基于激光雷达传感器的结构化信息的全局定位,文章提出了Scan Context方法。该方法是基于传感器采集的3D点云信息的传统方法,没有使用直方图,也不必经过训练集训练。此外,该方法提出了使用相似的评分来计算两个描述子之间的距离,提出了两向搜索的算法来检测回环。该方法具有旋转不变性,在多种数据集下有较好的表现。(经过我的多个数据集实验证明也确实挺好的)

I.INTRODUCTION :

大概介绍了一下激光雷达和相机比的优势,以及该方法采用合理的编码,保存好点云结构属性,使其具有旋转不变性和处理噪声的能力,不必使用之前常见直方图等方法。

II.RELATED WORK:

其他人的方法就不说了,想深入了解可以自己看,略。本文将3D点云存入一个矩阵中去,scan context中有点云结构,有效的编码信息、两向搜索算法。

III. SCAN CONTEXT FOR PLACE RECOGNITION

A. Scan Context

依据点云信息创建scan context,提出两帧之间相似度的计算方法。
在这里插入图片描述

文章建立描述子的第一步是将整个空间创建为以激光雷达传感器为中心的二维坐标系,使用2Π/Ns(用多少条半径划分)和Lmax(雷达最大有效距离)/Nr(在半径垂直方向划分)为单位代表分辨率划分整个空间为Bin(我理解为栅格),文中Ns = 60 and Nr = 20。第二步则将每个栅格存放该栅格范围内所有点云的最大z值,如果不存在点云,则设为0。下图分别对应第一二步:
在这里插入图片描述
在这里插入图片描述

其中:p代表各个栅格
在这里插入图片描述

规则的划分结构能够带来更有效的信息,在划分结束之后,scan context补偿了较远处较为稀疏的点云信息,将附近的动态信息视为噪点(不知道咋实现的,一会儿去看看代码)。栅格中存放该栅格中最大的真值z,公式如下:
在这里插入图片描述在这里插入图片描述

综上,一个scan context创建成功,使用I表示:
在这里插入图片描述

为了避免再次回到已经访问到的地方的时候雷达中心点和原先不一致导致(例如再次回到该点时是在对面的车道)的匹配失败,将原始的点云存到了Ntrans(由)中车道水平间隔和store scan contexts共同决定。

B.Similarity Score between Scan Contexts

使用余弦距离公式来判断两个Scan Contexts 相似度:
在这里插入图片描述

为了保证该描述子具有旋转不变性(相同方向的),将搜索所有可能的情况来寻找最小的距离。其实就是将描述子平移一小段距离来检测是否能得到更小值。

C.Two-phase Search Algorithm

回环检测的主流方法:相似度评分、NNS(最领近搜索)、稀疏优化。SC融合了相似度评分和分等级的临近搜索。采用K作为环:
在这里插入图片描述

然后使用ψ 作为环中的占据比,就是不为0的栅格占据环中的栅格总数之比的结果:
在这里插入图片描述

这样做的原因是更快,访问成功的阈值许选择:
在这里插入图片描述

C是从KD树中选出来的匹配候选集,τ是一个可以接受的阈值,c∗是决定回环点的指数。
实验:略。

怕什么真理无穷,近一寸有近一寸的欢喜!

这篇关于17、论文解读:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map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/761012

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

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

MCU7.keil中build产生的hex文件解读

1.hex文件大致解读 闲来无事,查看了MCU6.用keil新建项目的hex文件 用FlexHex打开 给我的第一印象是:经过软件的解释之后,发现这些数据排列地十分整齐 :02000F0080FE71:03000000020003F8:0C000300787FE4F6D8FD75810702000F3D:00000001FF 把解释后的数据当作十六进制来观察 1.每一行数据

Java ArrayList扩容机制 (源码解读)

结论:初始长度为10,若所需长度小于1.5倍原长度,则按照1.5倍扩容。若不够用则按照所需长度扩容。 一. 明确类内部重要变量含义         1:数组默认长度         2:这是一个共享的空数组实例,用于明确创建长度为0时的ArrayList ,比如通过 new ArrayList<>(0),ArrayList 内部的数组 elementData 会指向这个 EMPTY_EL

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

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

Spring 源码解读:自定义实现Bean定义的注册与解析

引言 在Spring框架中,Bean的注册与解析是整个依赖注入流程的核心步骤。通过Bean定义,Spring容器知道如何创建、配置和管理每个Bean实例。本篇文章将通过实现一个简化版的Bean定义注册与解析机制,帮助你理解Spring框架背后的设计逻辑。我们还将对比Spring中的BeanDefinition和BeanDefinitionRegistry,以全面掌握Bean注册和解析的核心原理。

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

Collection List Set Map的区别和联系

Collection List Set Map的区别和联系 这些都代表了Java中的集合,这里主要从其元素是否有序,是否可重复来进行区别记忆,以便恰当地使用,当然还存在同步方面的差异,见上一篇相关文章。 有序否 允许元素重复否 Collection 否 是 List 是 是 Set AbstractSet 否

GPT系列之:GPT-1,GPT-2,GPT-3详细解读

一、GPT1 论文:Improving Language Understanding by Generative Pre-Training 链接:https://cdn.openai.com/research-covers/languageunsupervised/language_understanding_paper.pdf 启发点:生成loss和微调loss同时作用,让下游任务来适应预训