新加坡南洋理工开源！复杂环境中激光雷达SLAM的去噪和回环

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容如何高效学习机器人SLAM？

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# D-LC-Nets: Robust Denoising and Loop Closing Networks for LiDAR SLAM in Complicated Circumstances with Noisy Point Clouds

论文地址：https://ieeexplore.ieee.org/abstract/document/9981388/figures#figures

Github：GitHub - KangchengLiu/DLC_LiDAR_SLAM: Official Pro...

摘要：当前的LiDAR SLAM系统在面对复杂环境时精度较低、鲁棒性有限。通过实验，我们发现当前的LiDAR SLAM系统在获取的点云噪声较大时性能有限。因此，在本文中，我们提出了一个通用的框架来解决复杂环境中激光雷达SLAM的去噪和回环问题。现有的点云去噪方法主要针对小尺度点云进行设计，无法推广到大尺度点云场景。

在这项工作中，我们首先提出了一种用于大规模点云去噪的轻量级网络。随后，我们还设计了一个高效的闭环网络用于全局优化中的位置识别，以提高整个系统的定位精度。最后，我们通过大量的实验和基准研究证明，我们的方法可以在面对噪声点云时对LiDAR SLAM系统的定位精度有显著的提升，同时计算成本略有增加。

本文贡献如下：

1. 我们提出了一种轻量级网络用于SLAM中的局部地图去噪。我们提出了具体的设计，包括基于双尺度CNN的特征提取和基于RNN的特征融合，实现了准确的去噪。

2. 我们提出了一种有效的闭环网络来提高定位精度和鲁棒性。分类和回归损失都是为了提取地物特征，并发现两次LiDAR扫描的方向偏差。实验证明了其有效性。

3. 我们将所提出的方法与固态激光雷达( Livox- AVIA )和机械式激光雷达( VLP- 16 )集成到我们的系统中。在具有挑战性的基准和真实环境中，包括花园和有玻璃反射强光的走廊情况下，取得了令人满意的性能。这表明我们的方法在有效性和效率方面具有明显的优势。

以上内容来自小六的机器人SLAM学习圈 每日更新内容如何高效学习机器人SLAM？