![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
闭环检测和位置识别论文阅读
文章平均质量分 92
place recognition
MS小虫
不谢幕 不庆祝 不欢呼
展开
-
论文解读《A Novel Global Localization Approach Based on Structural Unit Encoding and Multiple Hypoth》
原文链接A Novel Global Localization Approach Based on Structural Unit Encoding and Multiple Hypoth概述本文提出一种新的基于二维激光的移动机器人全局定位方法,该方法由以下几个部分组成:几何关系构建、一种新的结构单元编码方式(SUES)、一种拓展的多假设跟踪算法(MHT);本文将一条直线段的端点和方向封装成一个三维的“directional endpoint”特征;在此基础上,提出一种新的在线结构单元编码方法,来原创 2021-03-04 19:41:15 · 695 阅读 · 1 评论 -
论文解读《DELIGHT: An Efficient Descriptor for Global Localisation using LiDAR Intensities》
原文链接DELIGHT: An Efficient Descriptor for Global Localisation using LiDAR Intensities概述位置识别可用于解决“wake-up”问题和“kidnapped robot”问题,在这些问题中,需要在没有先验信息的情况下估计机器人的位置;本文所提算法仅仅使用激光雷达数据,且不需要机器人运动。本文将强度信息作为一组直方图编码进一个新的激光雷达强度的描述子——DELIGHT。该描述子使用卡方检验比较周围环境的强度分布直方图来进行原创 2020-12-25 10:37:36 · 435 阅读 · 0 评论 -
论文解读《Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map》
原文链接Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map概述基于结构化信息的全局定位,本文提出Scan Context——一种不基于直方图的三维激光扫描的全局描述子;本方法直接记录一个从传感器角度的可见空间的三维结构,并不依赖于直方图或者事先的训练;位置识别为闭环检测提供候选点;基于视觉的位置识别难以解决的问题:光照变化、短期(移动物体)或长期(季节)的原创 2020-12-25 10:32:35 · 1353 阅读 · 2 评论 -
论文解读《M2DP: A Novel 3D Point Cloud Descriptor and Its Application in Loop Closure Detection》
原文链接M2DP: A Novel 3D Point Cloud Descriptor and Its Application in Loop Closure Detection概述本文提出一种新的三维点云全局描述子——M2DP(Multiview 2D Projection),并把它应用在闭环检测问题中;相比于视觉闭环检测,基于雷达的闭环检测并没有得到很大的关注,尽管它对于光照变化的鲁棒以及定位的高精度;基于雷达的回环检测,很重要的是能够匹配两帧点云。点云的匹配通常有两类方法:第一类是直接在点原创 2020-12-25 10:18:03 · 1793 阅读 · 1 评论 -
论文解读《SegMatch: Segment Based Place Recognition in 3D Point Clouds》
原文链接SegMatch: Segment Based Place Recognition in 3D Point Clouds概述本文提出了一种基于三维片段匹配的可靠的位置识别算法——SegMatch;使用图像进行位置识别,当光照条件发生强烈变化,或者视角发生变化时,算法将变得不可靠;目前使用三维激光数据识别位置主要是基于关键点的检测和匹配;本文归结为三个主要的趋势:基于局部特征的方法;基于全局描述子的方法以及基于平面或物体的方法;基于局部特征的方法会存在歧义性,并且对环境变化不鲁棒,基于全原创 2020-12-25 10:44:42 · 656 阅读 · 0 评论 -
《结构化环境下基于结构单元软编码的 3 维激光雷达点云描述子》论文解读
《结构化环境下基于结构单元软编码的 3 维激光雷达点云描述子》论文解读本文综述本文提出一种结构化环境下可用于闭环检测的基于结构单元软编码的新型3维激光雷达点云描述子。首先通过几何滤波提取3维空间中垂直于地面的线段,用于保留3维空间的结构信息;然后,基于线段的空间几何关系构建结构单元集合,并通过软编码技术计算特征向量,作为3维激光雷达点云的描述子;通过两帧点云描述子的匹配实现闭环检测;总的来说,基于3维激光的闭环检测方法分为3类:第一类是基于原始点云的直接匹配;第二类方法事先提取3维激光雷达点云的局部原创 2020-12-25 09:55:35 · 324 阅读 · 1 评论 -
论文整理《复杂环境下视觉SLAM闭环检测方法综述》
原文链接复杂环境下视觉SLAM闭环检测方法综述本文针对复杂环境下视觉SLAM闭环检测的3个主要问题:场景描述、决策模型和闭环检测性能评价展开综述;与激光SLAM相比,视觉SLAM具有感知能力和重定位能力更强、安装方式多元化、更加廉价等优势;场景描述方法主要包括:局部特征描述子、全局描述子、局部区域的全局描述子、结合深度信息的场景描述、场景的时变描述;局部特征描述子是指以特征点为中心生成的图像局部区域描述;SIFT特征提取算法是目前广为使用的一种图像特征算法,对尺度、旋转和光照都具原创 2020-12-25 10:53:09 · 754 阅读 · 0 评论