相关实验视频
Updated: Jun 28, 2026
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.0K
PCRMLP:城市场景中点云注册的两阶段网络
Jingyang Liu1, Yucheng Xu2, Lu Zhou1
1College of Artificial Intelligence, Nankai University, Tianjin 300071, China.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
本研究介绍了PCRMLP,这是一种用于城市3D点云注册的多层感知器模型. 它通过专注于对象实例来实现快速而准确的转换估计,优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 地理学就是地质学.
背景情况:
- 点云注册对于3D绘图和定位至关重要.
- 城市场景面临着诸如大数据,类似环境和动态对象等挑战.
- 实例级本地化提供了一个更直观的方法.
研究的目的:
- 提出PCRMLP,一个新的多层感知器模型用于城市场景点云注册.
- 开发一个实例级城市场景表示,以进行可靠的特征提取和转换估计.
- 为了实现与现有的基于学习的方法相比,可比或优于现有的注册性能.
主要方法:
- 利用语义细分和DBSCAN进行实例级城市场景表示和描述符生成.
- 在编码器-解码器架构中使用轻量级的多层感知子网络进行隐式转换估计.
- 集成一个代的最接近点 (ICP) 改进模块,以提高准确性.
主要成果:
- 在KITTI数据集上,PCRMLP在0.0028秒内从实例描述器获得了令人满意的粗变换估计.
- 该方法展示了强大的特征提取和动态对象过.
- 经过ICP改进,PCRMLP的旋转误差为2.01°,翻译误差为1.58m,超过了以往基于学习的方法.
结论:
- PCRMLP为城市场景点云的高效和准确的粗略记录提供了一个有希望的方法.
- 实例级表示方法可以实现强大且语义上有意义的注册.
- 这些发现支持PCRMLP在实例级语义映射和本地化中的应用.
