控制理论与应用

作者：施成浩,陈谢沅澧,郭瑞斌,肖军浩,戴斌,卢惠民

单位：国防科大,国防科大,国防科大,国防科大,军事科学院,国防科大

关键词：自动驾驶汽车; 三维点云配准; 深度学习; 地点识别; 闭环

基金：国家自然科学基金项目(U1913202, U22A2059, U1813205), 湖南省自然科学基金项目(2021JC0004, 2021JJ40677)资助.

点云配准和地点识别是移动机器人和自动驾驶车辆实现自主定位的关键技术. 目前鲜有方法能够在实现高效地点识别的同时输出准确的6自由度位姿. 本文提出了一种新颖的多头网络, 该网络首先在统一的主干网络中提取稀疏而特征显著的点, 随后分别在稠密点匹配头中解决点云配准问题, 在全局描述头中解决地点识别问题. 其中, 在主干网络中创新应用3D-RoFormer机制, 以一种低计算和存储复杂度的方式显式地编码特征点之间的相对位姿信息, 从而学习到更显著和鲁棒的点特征, 有效提高了网络的特征表达能力. 在稠密点匹配头中, 首先, 构建稀疏点可靠的匹配关系, 并据此由粗至精地确定稠密点的匹配关系, 进而优化位姿估计. 在全局描述头中, 网络将稀疏的特征点及其特征向量进行压缩编码, 获得对相关点云的全局描述子, 实现高效的地点识别. 为了验证算法的有效性并评估其性能, 本文针对不同环境、不同传感器获得的数据集开展了实验研究. 实验结果表明, 本文方法在所有测试数据集中都具有很好的泛化能力, 并较当前先进方法都有更优或相当的表现, 降低连续点云配准误差约27%, 降低闭环点云配准误差约37%.

来源：2023年第12期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2023年第12期