slam算法_IROS | 开源 | SLAM大牛Cyrill Stachniss组最新激光SLAM算法

本文首发于公众号:CNNer 。每日分享CVPR、ECCV等会议,关注深度学习、自动驾驶领域,我们期待你的加入。关注“CNNer”,选择加“星标”或“置顶”精选干货,当日达。

cea2aeb51a5b39d151324bfd96f8443a.png

备注:研究方向+地点+学校/公司+昵称,更快通过申请,长按加细分领域技术交流群,目前有细分领域:目标跟踪、SLAM、点云处理、深度学习。

论文地址:http://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2019iros.pdf

代码:https://github.com/PRBonn/semantic_suma

来源:德国波恩大学

论文名称:SuMa++: Efficient LiDAR-based Semantic SLAM

原文作者:Xieyuanli Chen

可靠精确的定位和建图是许多自动驾驶系统的关键部分。另外,地图环境中的几何信息在智能导航系统中的实例分割扮演了重要角色。在实际场景中,由于物体运动的问题,导致这个任务是非常复杂的,因为运动可能导致建图错误和定位失败。本文对当前已有的一种基于表面的建图方法进行了扩展,将其扩展到3D激光数据,通过融合分割信息来提高建图的精度。通过全卷积神经网络可以有效的提取点云的分割信息,并且渲染到了激光点云的球状数据中。这种计算出的语义分割结果在整个扫描的逐点标签,允许我们建立一个语义丰富的标记的面元地图。分割后的结果可以让我们稳定的移除运动目标,并且提高了点云匹配之间的约束鲁棒性。本文的算法在KITTI的高速场景中进行了测试,数据中只有少量的静态物体,且存在大量的移动车辆物体,实验结果表明本文的算法与当前表现SOTA的纯几何信息的SLAM算法相比,更具有优势。

下面是论文具体框架结构以及实验结果:

dc3145ba9efb3a8126af20628f5cc41e.png
81d924e0757604e990ef91d8174be665.png
d6886579d3ce9ea2a12479625c84f7a4.png
a600e9a8727cefa7036dd157c4ec3621.png
a91341a73e8c4df5c445abd39284dc09.png
9b327b9773ec5324608d87b465fa355d.png
029073272f3401544e4b5671bd89ecd4.png
23171b45d54a58a8238633e6ba173d05.png

声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请加上文微信联系删除。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值