以下內容來自小六的機器人SLAM學習圈知識星球每日更新內容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# BEVPlace: Learning LiDAR-based Place Recognition using Bird's Eye View Images

論文地址：https://arxiv.org/abs/2302.14325

作者單位：浙江大學

開源代碼：https://github.com/zjuluolun/BEVPlace

? ?位置識別是長期SLAM系統(tǒng)的關鍵模塊。目前基于LiDAR的位置識別方法通常是基于無序點或距離像等點云的表示。這些方法實現(xiàn)了很高的檢索召回率，但在視圖變化或場景變化的情況下，它們的性能可能會下降。在這項工作中，我們探索了一種不同的表征在位置識別中的潛力，即鳥瞰(BEV)圖像。我們觀察到，BEV圖像的結構內容受點云的旋轉和平移的影響較小。

? ?我們驗證了，在沒有任何精細設計的情況下，在BEV圖像上訓練的簡單VGGNet在視點輕微變化的場景中取得了與最先進的位置識別方法相當?shù)男阅?。為了提高位置識別的健壯性，我們設計了一個旋轉不變網絡BEVPlace。我們使用分組卷積來提取圖像中旋轉等變的局部特征，并使用NetVLAD來進行全局特征聚合。此外，我們還觀察到BEV特征之間的距離與點云的幾何距離相關。

在此基礎上，提出了一種位置云位置估計方法，擴展了位置識別的使用范圍。在大規(guī)模公共數(shù)據集上進行的實驗表明，該方法1)在查全率方面達到了最好的性能，2)對視圖變化具有健壯性，3)具有很強的泛化能力，4)可以估計查詢點云的位置。

本文貢獻如下：

1、提出了一種新的基于LiDAR的位置識別方法BEVPlace。在該方法中，我們基于分組卷積從Bev圖像中提取旋轉等變的局部特征，這為旋轉不變的全局特征的設計提供了便利。

2、探討了點云對的特征距離和幾何距離之間的統(tǒng)計相關性?；谶@種相關性先驗，我們計算了查詢點云和匹配點云之間的幾何距離，并將其用于位置估計。

3、我們在三個大規(guī)模公共數(shù)據集上對我們的方法進行了評估，結果表明，我們的方法對視圖變化具有健壯性，具有很強的泛化能力，并且在召回率方面達到了最好的性能。

以上內容來自小六的機器人SLAM學習圈 每日更新內容