【泡泡一分钟】基于深度自编码的3D激光点云定位方法（CVPR-14）

每天一分钟，带你读遍机器人顶级会议文章

标题：3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder

作者：Gil Elbaz, Tamar Avraham,  Anath Fischer

来源：CVPR 2017

编译：宋方

播音员：清蒸鱼

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

 

摘要

大家好，今天为大家带来的文章是"3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder"——基于深度自编码的3D激光点云定位方法，该文章选自CVPR2017。

本文将介绍一种3D点云定位方法，该方法需要一个全局的3D点云地图，以及几次连续扫描得到局部的点云子集，而无需考虑先验信息。

局部的点云子集又称为超点集。超点集是连续几次扫描得到的、外围具有重合区域的点云，并初步过滤了低质量的、不重要的区域。它们表示环境的几何结构信息。

图1 绿色为超点集，灰色为全局的3D点云地图

然后使用低维描述子表示超点集。通过最先进的自编码深度神经网络的无监督机器学习，进行浅层训练后，可以通过这些描述子进行高效的粗略匹配。

图2 用低维描述子表示超点集后，进行匹配

通常的方法是人工设计关键点描述子的进行粗略匹配，本文利用超点集代替了关键点，这样可以充分利用点云的几何结构关系，进行更准确仿射变换。并借鉴了机器视觉的研究趋势，将自编码深度神经网络应用于局部3D点云。本方法经过许多具有挑战性的点云数据检验，相比以往的方法，在有噪音、缺少数据的情况下，更加鲁棒。

今天的泡泡一分钟就到这里了，如果你觉得有收获，欢迎转发到朋友圈，让更多人一起学习机器人顶级会议文章。

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。

回复关键字“点云定位”，即可获取本文下载链接。

---

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com