SC_LPR:基于长期动态环境中的链式级联网络的语义一致的LiDAR位置识别

科学领域:

• 机器人技术和自主系统
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 大规模环境中的动态对象会破坏移动机器人和自动驾驶汽车的位置识别 (PR).
• 由动态物体引起的高频变化会随着时间的推移降低场景外观的一致性.
• 强大的公关对于在现实应用中导航和本地化至关重要.

研究的目的:

• 开发一种新的,语义上一致的LiDAR位置识别 (PR) 方法,对动态对象具有稳定性.
• 在大规模,长期的动态环境中提高位置识别的可靠性.
• 引入一个新的数据集,用于验证LiDAR语义绘画和PR方法.

主要方法:

• 一个连锁级联网络 (SC_LPR),包括一个LiDAR语义图像绘制网络 (LSI-Net) 和一个语义金字塔基于变压器的PR网络 (SPT-Net).
• LSI-Net使用一个粗细的生成对抗网络 (GAN) 带有封闭的卷积自动编码器,结合了具有面具注意力的变压器块和封闭的三角形块.
• SPT-Net使用金字塔变压器编码器进行全球上下文编码,并使用增强的NetVALD层进行特征聚合.

主要成果:

• 拟议的SC_LPR方法在语义inpainting性能上取得了大约6%的改进.
• 与基线方法相比,在动态环境中的位置识别性能提高了约8%.
• 为了方法验证,创建了一个新的LiDAR语义绘画数据集 (LSI-Dataset).

结论:

• 开发的SC_LPR方法有效地消除了动态对象的影响,以实现强大的LiDAR位置识别.
• 语义 inpainting 和基于变压器的识别的整合为 PR 在动态场景中提供了一个有希望的方向.
• LSI-Dataset和SC_LPR方法为自主导航和机器人领域提供了宝贵的贡献.