-
-
- LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set)
- 1. Random Sphere Cover Set (RSCS)
- 2. Selection of a Normalized Local Coordinate System for each Super-point
- 3. Depth Map Projection
- 4. Saliency Detection and Filtration
- 5. Deep Auto-Encoder Dimension Reduction
- 6. Selecting Candidates for Matching
- 7. Coarse Registration by Localized Search
- 8. Iterative Closest Point Fine-tuning
- LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set)
-
这是一篇采用机器学习的点云配准的论文,简单来说就是通过将点云用一个个球体分成很多个小快,对每一块投影成深度图,然后采用深度神经网络对深度图进行特征压缩,最后压缩成一个5 × × 2的矩阵做为一个特征,也就是我们所说的描述子(descriptor)。通过这些描述子的位置关系可以进行粗配准,最后文章也还是采用了ICP进行精配准。原文链接:3D Point Cloud Registration for Localization Using a Deep Neural Network Auto-Encoder。
LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set)
文中提出了一个超点(Super-Points,SP)的概念,其实就是由部分点云构成的一个大的集合,构成方法会在下文中提出。文中首先定义了一个全局场景是有大型的户外场景融合构成,然后定义了本地场景是在全局场景的一个随机位置随机角度采集的。文章的总体思路为以下几步:
1. Random Sphere Cover Set (RSCS)
使用超点来定义整个处理流程的基本单元。为了能够覆盖点云的绝大部分,文中采用了以下的迭代步骤来定义这些超点:
- 随机选择一个不属于任何 SP S P 的点 P P
- 使用点 做为中心,以 Rsphere R s p h e r e 为半径,所有位于这么一个圆内的点都被定义为这个新的 SP S P 所包含的点
Rsphere R s p h e r e 的计算公式如下: