本文約6000字純干貨，閱讀需要一段時(shí)間，建議讀者先收藏學(xué)習(xí)。

以下為公開課整理正文，原文免費(fèi)課程鏈接見文末評(píng)論區(qū)~

作者簡(jiǎn)介

本次深藍(lán)學(xué)院公開課由陳謝沅澧博士主講。陳謝沅澧來(lái)自德國(guó)波恩大學(xué)圖像測(cè)量與機(jī)器人實(shí)驗(yàn)室，導(dǎo)師是Cyrill Stachniss教授，主要方向是激光雷達(dá)SLAM，定位以及建圖。

德國(guó)波恩大學(xué)圖像測(cè)量與機(jī)器人實(shí)驗(yàn)室長(zhǎng)期招收博士生，如果大家感興趣，可以在官網(wǎng)上（www.ipb.uni-bonn.de）查找相關(guān)信息。

實(shí)驗(yàn)室簡(jiǎn)介：主要有兩個(gè)大的課題。

一是農(nóng)業(yè)機(jī)器人，包括農(nóng)作物的識(shí)別與分類，土壤成分的分析與檢測(cè)，農(nóng)業(yè)機(jī)器人設(shè)計(jì)以及相關(guān)的機(jī)器人技術(shù)（定位、建圖、導(dǎo)航等）。

二是移動(dòng)機(jī)器人與無(wú)人車。下圖為作者實(shí)驗(yàn)室的移動(dòng)平臺(tái)，搭載了兩個(gè)激光雷達(dá)，分別是64線和128線的，同時(shí)搭載了4-8個(gè)攝像頭，以及一些IMU和GPS傳感器。?

下圖為實(shí)驗(yàn)室與業(yè)界的一些合作。包括Google和Facebook。

下圖為實(shí)驗(yàn)室19年發(fā)表的semantic KITTI，對(duì)KITTI數(shù)據(jù)集中的激光雷達(dá)數(shù)據(jù)添加語(yǔ)義標(biāo)簽，用來(lái)測(cè)試語(yǔ)義分割、語(yǔ)義SLAM等相關(guān)算法。

下圖為實(shí)驗(yàn)室和意大利教廷合作的項(xiàng)目，地下遺址探索機(jī)器人。

本次講述內(nèi)容：

1.?SuMa++: Efficient LIDAR-based Semantic SLAM, IROS2019

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

2.?OverlapNet: Loop Closing for LIDAR-based SLAM, RSS2020

Code: https://github.com/PRBonn/OverlapNet

3.?Learning an Overlap-based Observation Model for 3D LIDAR Localization, IROS2020

Code: https://github.com/PRBonn/overlap_localization

1.SuMa++: Efficient LIDAR-based Semantic SLAM

主要目標(biāo)：同時(shí)使用幾何和語(yǔ)義信息的激光雷達(dá)SLAM系統(tǒng)，生成一個(gè)全局一致的稠密的語(yǔ)義地圖。如圖所示。

動(dòng)機(jī)

下圖為純幾何激光雷達(dá)SLAM的問題。左邊展示的是結(jié)果，紅色的車是位姿的真值，藍(lán)色的車是SLAM系統(tǒng)估計(jì)出來(lái)的位姿。可以看出右邊的大卡車遮蓋了很多的視野，并且卡車正在向前移動(dòng)，以本車的視角出發(fā)，本車相對(duì)卡車是向后退的，由此構(gòu)建的系統(tǒng)估計(jì)的位姿是錯(cuò)誤的向后退的，這在實(shí)際過(guò)程中是很致命的錯(cuò)誤。

下圖為使用了語(yǔ)義信息，與之前不同的是，此時(shí)我們?nèi)コ舸蟛糠謱儆谝苿?dòng)車輛，這樣移動(dòng)的卡車對(duì)系統(tǒng)的影響就很小了。結(jié)果可以看出估計(jì)的位姿與真值十分接近(紅藍(lán)兩車基本重合)。這是我們想要的結(jié)果，利用語(yǔ)義信息來(lái)提高3D激光雷達(dá)SLAM的性能。

系統(tǒng)框架

1.?系統(tǒng)的輸入

2.?語(yǔ)義分割

3.?預(yù)處理

4.?建圖

5.?里程計(jì)

（1）系統(tǒng)輸入

僅使用激光雷達(dá)點(diǎn)云進(jìn)行建圖，與傳統(tǒng)激光雷達(dá)SLAM不同的是，作者不是直接對(duì)原始點(diǎn)云進(jìn)行處理，而是將原始點(diǎn)云投影成距離圖像(range image)。如圖所示，它類似于一個(gè)360度的全景圖像，點(diǎn)云中的值被投射到2D圖像之中，圖中的像素包含了激光雷達(dá)點(diǎn)云測(cè)量的距離等信息。

為什么要使用range image呢？

1. 比較直觀的是，range image可以把稀疏的點(diǎn)云表達(dá)成稠密的圖像，基于圖像可以使用許多經(jīng)典的圖像處理方法來(lái)處理點(diǎn)云，并且實(shí)現(xiàn)類似于圖像處理的功能，例如目標(biāo)識(shí)別、語(yǔ)義分割等。

2. 降維。可以把三維激光雷達(dá)點(diǎn)云投影成二維圖形，可以提高點(diǎn)云處理的速度和占有的空間。

3. 可以使用GPU對(duì)SLAM系統(tǒng)進(jìn)一步加速，更加容易使用深度學(xué)習(xí)算法進(jìn)行處理。

（2）語(yǔ)義分割

本文使用rangenet++這篇論文的方法，利用的就是range image，算法的核心思想是將激光雷達(dá)點(diǎn)云投影成二維圖像，基于圖像的深度學(xué)習(xí)算法對(duì)圖像進(jìn)行語(yǔ)義分割，再重投影到三維點(diǎn)云中，從而對(duì)每個(gè)測(cè)量點(diǎn)進(jìn)行語(yǔ)義標(biāo)注，左上角是原始點(diǎn)云，左下角是range image，右下角是range image的分割結(jié)果，將分割結(jié)果和原始點(diǎn)云結(jié)合起來(lái)，生成右上角的基于點(diǎn)云的分割結(jié)果，作為輸出。

（3）預(yù)處理

對(duì)激光雷達(dá)生成的信息進(jìn)行預(yù)處理，包含深度信息，法向量信息，語(yǔ)義信息等。在預(yù)處理過(guò)程中，在激光雷達(dá)生成的不同類型的信息進(jìn)行初步融合，即多類洪水填充算法。

核心思想是利用深度信息對(duì)語(yǔ)義分割中的噪點(diǎn)進(jìn)行去除。實(shí)際操作也很簡(jiǎn)單，在生成激光雷達(dá)語(yǔ)義圖像之后，首先遍歷語(yǔ)義圖像中所有像素，檢測(cè)相鄰像素的語(yǔ)義標(biāo)簽是否一樣。如果不一樣，首先對(duì)他們進(jìn)行腐蝕(圖像處理中的腐蝕運(yùn)算)，再檢測(cè)所對(duì)應(yīng)的像素的深度值，若深度值差值很小，則認(rèn)為他們?cè)谕粋€(gè)物體上，用相鄰像素的語(yǔ)義標(biāo)簽來(lái)填充被腐蝕掉的像素。整個(gè)過(guò)程就是對(duì)range image的基于語(yǔ)義信息的平滑操作，以達(dá)到去噪的效果。

（4）建圖

此模塊是基于語(yǔ)義信息對(duì)動(dòng)態(tài)物體進(jìn)行濾除。

文章提出的算法是基于SuMa(同樣出自作者的實(shí)驗(yàn)室的論文)中的算法進(jìn)行改進(jìn)的。所以在建圖的環(huán)節(jié)沿用了之前面元地圖的表達(dá)形式。首先介紹一下面元(surfel,具體可參考SuMa文章定義)地圖的概念。

面元地圖：點(diǎn)云地圖的一中擴(kuò)展。將點(diǎn)云信息中法向量信息一致的相鄰點(diǎn)用同樣一個(gè)面元進(jìn)行表示。既減少了存儲(chǔ)點(diǎn)的數(shù)量，又提供了更多了的幾何信息。例如面元相對(duì)于點(diǎn)云而言，不光是xyz的位置信息，還包含了法向量信息、面積信息以及穩(wěn)定性信息和遮擋關(guān)系的信息。除了幾何信息外，還加入了語(yǔ)義標(biāo)簽和對(duì)應(yīng)的概率信息，生成了帶語(yǔ)義信息的地圖，如左圖所示。

在得到了帶有語(yǔ)義信息的面元地圖后，接下來(lái)的任務(wù)就是如何利用語(yǔ)義信息去除動(dòng)態(tài)物體。最直接的做法就是刪除所有潛在的移動(dòng)物體，叫做Remove Movable。如右圖所示，刪除所有可能移動(dòng)的物體后。

但是這種做法是最優(yōu)的嗎？

這種做法對(duì)于長(zhǎng)期定位而言可能是由幫助的，因?yàn)樵谌侄ㄎ恢惺菚r(shí)間比較長(zhǎng)的任務(wù)，車輛和行人大概率是會(huì)移動(dòng)的，所以刪除它們會(huì)對(duì)長(zhǎng)期定位起到幫助作用。但對(duì)于SLAM-即時(shí)定位與建圖而言，?？吭诼愤叺撵o止的車輛，對(duì)于SLAM建圖會(huì)有幫助作用。

這時(shí)候就需要設(shè)計(jì)一種可以去除正在移動(dòng)的物體，但仍保留一些可能運(yùn)動(dòng)的物體的算法，如中間圖所示。算法的實(shí)現(xiàn)是利用了面元的一致性檢測(cè)。即在更新面元穩(wěn)定性（ls）時(shí)，除了檢測(cè)幾何空間一致性，還檢測(cè)語(yǔ)義信息一致性。

幾何空間(geometric)一致性：同一物體在不同觀測(cè)中的空間信息是一致的。包括位置信息、法向量朝向信息。

語(yǔ)義信息(semantic)一致性：同一靜止物體在不同觀測(cè)中的語(yǔ)義標(biāo)簽是一致的。對(duì)于移動(dòng)物體而言，同一位置對(duì)應(yīng)的語(yǔ)義標(biāo)簽會(huì)發(fā)生改變。

方法：當(dāng)檢測(cè)到語(yǔ)義標(biāo)簽發(fā)生改變時(shí)，對(duì)面元的穩(wěn)定性在更新時(shí)，給定一個(gè)額外的懲罰。在多次觀測(cè)后，屬于移動(dòng)物體的面元的穩(wěn)定性會(huì)很低，當(dāng)?shù)陀谀骋婚撝禃r(shí)，把這個(gè)面元濾除掉。而對(duì)于靜止的物體而言，穩(wěn)定性會(huì)較高，則會(huì)被保留下來(lái)。?

（5）里程計(jì)

使用幀到模型的ICP(frame-to-model ICP)，通過(guò)最小化當(dāng)前幀和模型幀之間的殘差來(lái)估計(jì)激光雷達(dá)的位姿。

模型幀：渲染已經(jīng)建好的地圖得到一個(gè)range image。好處是通過(guò)幀到模型的匹配的方式，相較于傳統(tǒng)的ICP算法，不需要搜索最近鄰，因?yàn)榭梢岳猛队瓣P(guān)系來(lái)找到匹配點(diǎn)，很大的提高運(yùn)算效率。類似于基于圖像的光流法，但比光流法更好的是它使用了地圖模型的法向量信息和其他的幾何信息。

在ICP過(guò)程中，利用語(yǔ)義信息來(lái)提高位姿估計(jì)的精度。具體做法是計(jì)算ICP的信息矩陣時(shí)，對(duì)每個(gè)殘差進(jìn)行加權(quán)。在傳統(tǒng)的ICP中會(huì)使用一些基于幾何信息的加權(quán)，例如Huber加權(quán)。本文還使用了語(yǔ)義信息進(jìn)行加權(quán)，檢測(cè)當(dāng)前幀和模型幀的語(yǔ)義標(biāo)簽的一致性，如果不一致，使用很小的權(quán)值去降低噪點(diǎn)或權(quán)值，當(dāng)標(biāo)簽一致時(shí)，直接利用語(yǔ)義分割估計(jì)的概率進(jìn)行加權(quán)。

文章對(duì)ICP過(guò)程中的權(quán)值進(jìn)行了可視化。如圖所示。顏色越暗，權(quán)重越小。

測(cè)試結(jié)果：移動(dòng)的車受到抑制，靜止的車得到保留，融合了語(yǔ)義信息之后，位姿估計(jì)更準(zhǔn)確。

總結(jié)：

1.提出了一個(gè)高效的基于激光雷達(dá)的語(yǔ)義SLAM系統(tǒng)。

2.對(duì)如何在激光雷達(dá)SLAM中使用語(yǔ)義信息提供了三個(gè)事例，包括基于深度信息的多類洪水填充算法，對(duì)輸入進(jìn)行預(yù)處理；基于語(yǔ)義的動(dòng)態(tài)物體檢測(cè)與去除；基于語(yǔ)義信息的ICP。

3.實(shí)驗(yàn)結(jié)果證明，在使用語(yǔ)義信息之后，文章的SLAM系統(tǒng)可以得到更好的定位和建圖結(jié)果。相較于簡(jiǎn)單粗暴的刪除所有可能移動(dòng)的物體，文章的方法可以得到更魯棒的效果。

2.OverlapNet: Loop Closing for LIDAR-based SLAM

動(dòng)機(jī)：對(duì)于經(jīng)典的SLAM系統(tǒng)中，包含了三個(gè)大部分：定位、建圖、閉環(huán)。其中閉環(huán)檢測(cè)是很重要的。在長(zhǎng)期系統(tǒng)運(yùn)動(dòng)中，由于系統(tǒng)誤差和測(cè)量噪聲，SLAM系統(tǒng)往往會(huì)產(chǎn)生一定的漂移，閉環(huán)就是用來(lái)消除漂移，提高SLAM整體定位和建圖的精度。

概要：提出了OverlapNet神經(jīng)網(wǎng)絡(luò)，利用端到端的深度學(xué)習(xí)方式，來(lái)估計(jì)兩幀激光雷達(dá)點(diǎn)云之間重疊部分（overlap）大小和相對(duì)偏航角，基于兩個(gè)估計(jì)來(lái)解決SLAM閉環(huán)問題。

什么是閉環(huán)？

閉環(huán)是當(dāng)機(jī)器人或無(wú)人車在進(jìn)行SLAM過(guò)程中，回到曾經(jīng)到過(guò)的地方，能否檢測(cè)出當(dāng)前位置是曾經(jīng)到達(dá)的位置，能否估計(jì)出當(dāng)前位姿和歷史圖像之間的相對(duì)變換，從而給后端優(yōu)化提供額外的約束，消除掉累計(jì)產(chǎn)生的漂移。

什么是overlap？

文章將兩個(gè)激光雷達(dá)點(diǎn)云之間的overlap定義為同時(shí)能夠從兩個(gè)激光雷達(dá)點(diǎn)云中可以觀測(cè)到的點(diǎn)的頻率。即如果一個(gè)激光雷達(dá)的測(cè)量點(diǎn)能夠同時(shí)被兩個(gè)激光雷達(dá)點(diǎn)云所包含，就將其記為一個(gè)重疊點(diǎn)。兩幀激光雷達(dá)點(diǎn)云中重疊部分的大小定義為重疊點(diǎn)在所有觀測(cè)點(diǎn)中所占的比例。類似于目標(biāo)檢測(cè)的IoU的概念，即表示兩次得到的點(diǎn)云數(shù)據(jù)的重合度。

為什么要用overlap來(lái)尋找閉環(huán)呢？

因?yàn)橛^測(cè)到相近位置的激光雷達(dá)點(diǎn)云的overlap往往比較大，比較遠(yuǎn)的激光雷達(dá)點(diǎn)云的overlap比較小。所以overlap很好的包含了兩幀激光雷達(dá)點(diǎn)云中的距離信息。除此之外，更大的overlap同時(shí)意味著兩幀激光雷達(dá)可以更好的進(jìn)行對(duì)齊。如下圖所示。

上圖中藍(lán)色的點(diǎn)云A，橙色的點(diǎn)云B，如果將兩者放到錯(cuò)誤的位置上，那么之間的重疊率會(huì)很低，如果放在正確的位置，那么他們的重疊率會(huì)很高。這就意味著兩個(gè)激光雷達(dá)點(diǎn)云的overlap同時(shí)包含了他們的相對(duì)位置信息。

圖為文章提出的框架。

左邊為預(yù)處理過(guò)程，和SuMa++類似，將輸入的激光雷達(dá)點(diǎn)云預(yù)處理生成不同的信息的range image，包含深度信息，法向量信息，強(qiáng)度信息以及語(yǔ)義信息，這樣就可以利用基于圖像的2D卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)不同的功能。

右邊為OverlapNet的框架，由兩條腿和兩個(gè)頭組成。兩條腿使用的神經(jīng)網(wǎng)絡(luò)具有相同的結(jié)構(gòu)，是一個(gè)簡(jiǎn)單的CNN，之間共享權(quán)值。兩個(gè)頭同時(shí)使用由兩條腿生成的特征，Delta Head估計(jì)兩幀點(diǎn)云的overlap，Correlation Head估計(jì)兩幀點(diǎn)云的偏航角(yaw)，這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)很類似于單目標(biāo)跟蹤中的孿生網(wǎng)絡(luò)，先過(guò)一個(gè)共享權(quán)值的網(wǎng)絡(luò)，將特征映射到同一個(gè)表征空間，然后做特征融合。

這樣的頭腳分離框架的好處，一是對(duì)于SLAM而言，將每一幀生成的特征直接存儲(chǔ)在地圖中，因此在進(jìn)行閉環(huán)檢測(cè)的時(shí)候，僅需要對(duì)當(dāng)前幀的特征和對(duì)所有歷史幀的特征進(jìn)行比較。特征之間的比較是十分高效的，很大程度的提高運(yùn)行效率。二是它非常的靈活，可以根據(jù)自己應(yīng)用的需求添加其他的頭來(lái)實(shí)現(xiàn)不同的功能。

接下來(lái)展示文章所提出來(lái)的算法和其他算法的比較。

圖中展示了文章算法的泛化能力，在兩個(gè)不同的數(shù)據(jù)集上進(jìn)行了測(cè)試。雖然OverlapNet僅僅使用了KITTI部分?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練，但在FordCampus中也表現(xiàn)出了比較好的性能。這表明了文章的算法在不同的環(huán)境中的較強(qiáng)的泛化能力。?

下圖展示了OverlapNet嵌入到激光雷達(dá)SLAM系統(tǒng)中的運(yùn)行結(jié)果。左邊為SLAM的局部地圖，右邊為相對(duì)應(yīng)的位姿圖，顏色越深，誤差越大。使用OverlapNet進(jìn)行的閉環(huán)檢測(cè)，可以有效減少誤差。

下圖為與純幾何信息的SLAM進(jìn)行比較的結(jié)果圖。在加入了閉環(huán)檢測(cè)的算法后，定位和建圖的精度有很大的提高。

總結(jié)：

1. 提出了一個(gè)基于深度學(xué)習(xí)的激光雷達(dá)檢測(cè)算法OverlapNet，可以準(zhǔn)確的估計(jì)兩幀之間重疊部分的大小以及偏航角。

2. 可以在極具挑戰(zhàn)的情況下仍然能找到閉環(huán)，例如當(dāng)車從反方向開回去的時(shí)候仍然可以找到閉環(huán)。

3. 通過(guò)實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證了OverlapNet的泛化能力很強(qiáng)，在不同的數(shù)據(jù)集中，表現(xiàn)出了很好的性能。

4. 成功地把OverlapNet集成到了SLAM系統(tǒng)中，提高了激光雷達(dá)SLAM的建圖精度。

3.Learning an Overlap-based Observation Model for 3D LIDAR Localization

動(dòng)機(jī)：利用地點(diǎn)識(shí)別算法實(shí)現(xiàn)全局定位的方式有很多，比如基于圖像檢索的拓?fù)涠ㄎ?，好處是直接用一個(gè)地點(diǎn)識(shí)別算法得到一個(gè)粗略的位置，但往往精度會(huì)比較差。文章使用了OverlapNet作為蒙特卡洛定位算法（MCL）的觀測(cè)模型，實(shí)現(xiàn)高精度的傳感器定位。

目前MCL最大的難題就是如何去設(shè)計(jì)一個(gè)好的觀測(cè)模型。

文章的創(chuàng)新點(diǎn)是利用OverlapNet來(lái)訓(xùn)練了一個(gè)觀測(cè)模型，然后把它集成到MCL中，提高了MCL的定位性能。

什么是MCL？

MCL包含了兩個(gè)部分，跟所有的傳統(tǒng)的貝葉斯模型一樣，包含了預(yù)測(cè)部分(motion model)和更正部分(observation model)。不同的是，MCL利用了粒子濾波對(duì)運(yùn)動(dòng)模型進(jìn)行采樣，每個(gè)粒子可以當(dāng)作對(duì)當(dāng)前位姿的假設(shè)(hypothesis)。使用粒子濾波的好處是可以對(duì)整個(gè)空間進(jìn)行采樣，MCL可以在不知道初始位置的情況下，對(duì)多個(gè)假設(shè)進(jìn)行跟蹤，最后通過(guò)連續(xù)不斷的觀測(cè)和糾正，選擇出正確的位姿估計(jì)，實(shí)現(xiàn)全局定位，使整個(gè)算法更加魯棒。

運(yùn)動(dòng)模型：利用上一個(gè)位姿xt-1，以及當(dāng)前里程計(jì)的信息ut，對(duì)每個(gè)粒子j在當(dāng)前時(shí)刻的位姿xt進(jìn)行預(yù)測(cè)。

觀測(cè)模型：在給定當(dāng)前粒子的位置xt和地圖m，利用當(dāng)前的觀測(cè)zt來(lái)調(diào)整每個(gè)粒子j的權(quán)值，最后對(duì)整個(gè)位姿后驗(yàn)進(jìn)行更新。

圖為Overlap觀測(cè)模型

此模型與上一篇介紹的模型類似，不同的是輸入不再都是由激光雷達(dá)生成的range image，Query scan是當(dāng)前激光雷達(dá)傳感器的觀測(cè)，Map scan是從地圖中所渲染生成的虛擬的range image。生成方式與SuMa++中類似。?

接下來(lái)介紹如何使用Overlap傳感器模型更新粒子的權(quán)值。

得到關(guān)于當(dāng)前幀和地圖幀之間的Overlap和Yaw的預(yù)測(cè)值之后，利用他們對(duì)粒子的權(quán)值進(jìn)行更新。相對(duì)于傳統(tǒng)的傳感器模型，我們進(jìn)行分解，OverlapNet可以得到兩個(gè)輸出，其中Overlap當(dāng)作對(duì)位置的似然估計(jì)，偏航角Yaw當(dāng)做對(duì)旋轉(zhuǎn)的似然估計(jì)。

然后對(duì)觀測(cè)模型進(jìn)行解耦。針對(duì)每一個(gè)粒子假設(shè)的位置和偏航，分別計(jì)算權(quán)重。

在計(jì)算位置的似然時(shí)，使用Overlap的估計(jì)值，因?yàn)樗旧戆藘蓭す饫走_(dá)點(diǎn)云之間的位置信息。在計(jì)算偏航的似然估計(jì)時(shí)，使用高斯模型進(jìn)行估計(jì)，最后將兩者結(jié)合起來(lái)，對(duì)粒子的權(quán)值進(jìn)行更新。過(guò)程如下：

下圖展示了實(shí)驗(yàn)過(guò)程中使用的全局地圖，藍(lán)線表示曾經(jīng)去過(guò)的地方。

取其中一小塊地圖作為示例。

首先對(duì)整個(gè)環(huán)境進(jìn)行柵格化，然后對(duì)每個(gè)柵格從環(huán)境模型中渲染出虛擬的range image，存儲(chǔ)到地圖中。圖中取了3個(gè)粒子。根據(jù)每個(gè)粒子的位置，賦予它們相應(yīng)虛擬的地圖幀。

然后將當(dāng)前幀(Query scan)和每個(gè)粒子的地圖幀進(jìn)行比較，即將它們作為OverlapNet的輸入，得到輸出后通過(guò)之前介紹的分解觀測(cè)模型，對(duì)每個(gè)粒子的權(quán)值進(jìn)行更新，最后將觀測(cè)模型結(jié)合到MCL的定位中，從而實(shí)現(xiàn)全局定位。

下圖為整個(gè)系統(tǒng)的運(yùn)行結(jié)果。左上角是全局定位的結(jié)果，首先對(duì)整個(gè)地圖進(jìn)行初始化采樣，在很短的時(shí)間內(nèi)，所有的粒子群可以收斂到正確的位置。右上角是局部跟蹤的結(jié)果。左下角是當(dāng)前幀和所估計(jì)出來(lái)的位姿所對(duì)應(yīng)的地圖幀。

最后展示的定量比較的結(jié)果，顯示了文章算法的泛化能力。地圖是在春天進(jìn)行采集的，測(cè)試定位所用的數(shù)據(jù)集是在秋天和冬天進(jìn)行采集的。可以看出文章的算法優(yōu)于傳統(tǒng)的算法的性能。

總結(jié)：

1. 提出了基于激光雷達(dá)的全局定位系統(tǒng)，即新的基于深度學(xué)習(xí)的OverlapNet觀測(cè)模型。2. 提出的算法具有好的泛化能力。3. 將提出的模型集成到MCL中，定位系統(tǒng)能夠很好的實(shí)現(xiàn)全局高精度定位。

希望通過(guò)本次公開課，大家可以對(duì)語(yǔ)義信息增強(qiáng)的激光雷達(dá)SLAM現(xiàn)在在做的一些工作和研究有一定的了解！評(píng)論區(qū)可隨時(shí)交流！

文案|學(xué)員張錚
編輯|深藍(lán)學(xué)院