【论文笔记】 ICRA 2021 通用无监督激光里程计 Self-supervised Learning of LiDAR Odometry for Robotic Applications

Self-supervised Learning of LiDAR Odometry for Robotic Applications ICRA 2021

苏黎世联邦理工学院机器人系统实验室, 马克斯·普朗克学习系统中心，德国/瑞士
视频链接: https://www.bilibili.com/video/av287853798
代码链接: https://github.com/leggedrobotics/DeLORA
论文链接:https://arxiv.org/pdf/2011.05418.pdf

基于激光雷达的里程计已经有很多了, 包括传统几何方法(suma,loam)以及深度学习的方法(LO-net, deepLO等), 其中深度学习的方法又包括有监督和无监督两种.
但是,现有激光里程计都是基于自动驾驶场景的,而本文工作致力于提升激光里程计在通用场景下的泛化性, 如履带机器人、行走机器人等。此外，在网络的inference阶段不需要数据预处理（提取法向量等），网络小而轻（参数量10^7），可以运行在移动平台的CPU上。

无监督方法， 不需要真值标签，仅用了两个几何损失就达到了相当高的精度（超越现有无监督方法，加入建图模块后超越了无监督视觉里程计），说明了该基于法向量的几何损失的有效性。

论文方法：

网络输入：前后两帧点云的柱面投影，　四通道图像，（ｘ，ｙ，ｚ，ｒ），r表示深度。同时还有预先计算好的法向量（PCA特征分解）。
网络结构：conv + 8 * resnet blocks, 降采样使用circular padding，而不是zero padding
网络输出：四元数 + 平移量

损失函数：

通过计算两帧点云的对应点之间的点云误差和法向量误差。首先需要指导两帧点云之间的对应点关系：

根据预测的相对位姿将一帧点云转换到另一帧上，在3D空间使用KD树搜索得到对应点关系。（基于scipy实现）

1. point to plane loss：
   $${\mathcal{L}}_{\mathrm{p}2\mathrm{n}}=\frac{1}{n_k}\sum _{b=1}^{n_k}{\left|\left({\hat{s}}_b-s_b\right)\cdot n_b\right|}_2^2$$
   n是法向量，sb是点云。
   没有对应法向量的点不参与计算。
2. Plane-to-Plane Loss：
   对应点之间可能不是完全重合，但是其法向量应该是同向的：
   $${\mathcal{L}}_{n2n}=\frac{1}{n_k}\sum _{b=1}^{n_k}{\left|{\hat{n}}_b-n_b\right|}_2^2$$
3. 总损失：
   $$\text{ The final loss is then computed as }\mathcal{L}={\mathcal{L}}_{p2n}+{\mathcal{L}}_{n2n}$$
   最后作者为了优化里程计误差，还实现了一个map模块，但是论文中没有提到，在实验环节出现了。（估计在appendix中有说明）

实验结果：

作者在多个数据集上进行了测试：ANYmal: Autonomous Exploration Mission； B. DARPA SubT Challenge Urban Circuit；KITTI: Odometry Benchmark。
这里仅展示在KITTI的结果：

对两个损失的消失实验：