[论文解读] CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description

Deyu Yin, Qian Zhang+7 more|arXiv (Cornell University)|Jan 6, 2020

Robotics and Sensor-Based Localization参考文献 49被引用 21

一句话总结

CAE-LO 提出了一种完全无监督的激光雷达里程计系统，利用二维卷积自编码器（CAE）在球面环形投影上进行兴趣点检测，并采用三维CAE进行多分辨率体素特征提取。该方法在KITTI数据集上的匹配内点率较最先进方法高出50%以上，通过关键帧选择、里程计精炼和后向位姿更新，在非结构化场景中实现了性能提升。

ABSTRACT

As an important technology in 3D mapping, autonomous driving, and robot navigation, LiDAR odometry is still a challenging task. Appropriate data structure and unsupervised deep learning are the keys to achieve an easy adjusted LiDAR odometry solution with high performance. Utilizing compact 2D structured spherical ring projection model and voxel model which preserves the original shape of input data, we propose a fully unsupervised Convolutional Auto-Encoder based LiDAR Odometry (CAE-LO) that detects interest points from spherical ring data using 2D CAE and extracts features from multi-resolution voxel model using 3D CAE. We make several key contributions: 1) experiments based on KITTI dataset show that our interest points can capture more local details to improve the matching success rate on unstructured scenarios and our features outperform state-of-the-art by more than 50% in matching inlier ratio; 2) besides, we also propose a keyframe selection method based on matching pairs transferring, an odometry refinement method for keyframes based on extended interest points from spherical rings, and a backward pose update method. The odometry refinement experiments verify the proposed ideas' feasibility and effectiveness.

研究动机与目标

• 开发一种完全无监督的激光雷达里程计系统，避免依赖标注数据。
• 提升在传统方法难以应对的非结构化环境中匹配性能。
• 通过自编码架构增强特征表示与兴趣点检测能力。
• 提出一种基于匹配对迁移与位姿精炼的关键帧选择策略，以提升轨迹精度。
• 验证后向位姿更新与扩展兴趣点精炼方法的可行性与有效性。

提出的方法

• 该方法使用球面环形投影以保留激光雷达扫描的空间结构，输入至二维卷积自编码器（CAE）中，实现无监督的兴趣点检测。
• 将三维卷积自编码器（CAE）应用于多分辨率体素化点云，以学习鲁棒且分层的特征表示。
• 通过二维CAE重建球面环形数据来检测兴趣点，利用重建误差识别显著区域。
• 提出一种基于连续帧间匹配对可迁移性的关键帧选择机制，以减少冗余并提升效率。
• 通过从球面环形投影中提取的扩展兴趣点对里程计进行精炼，以提高位姿估计精度。
• 采用后向位姿更新策略，利用后续帧信息重新评估早期位姿，以优化轨迹。

实验结果

研究问题

• RQ1 完全无监督的二维CAE能否在无需标注训练数据的情况下有效检测激光雷达数据中的兴趣点？
• RQ2 使用多分辨率体素化数据与三维CAE在激光雷达里程计中如何改善特征表示？
• RQ3 基于匹配对迁移的所提关键帧选择方法在多大程度上提升了计算效率与精度？
• RQ4 利用球面投影中提取的扩展兴趣点进行里程计精炼，能否显著减少轨迹漂移？
• RQ5 后向位姿更新机制是否能带来可测量的最终轨迹精度提升？

主要发现

• 所提出的兴趣点检测方法能捕捉更多局部几何细节，显著提升在非结构化环境中的匹配成功率。
• 基于三维CAE的特征描述子在KITTI数据集上的匹配内点率较最先进方法提升50%以上。
• 基于匹配对迁移的关键帧选择方法在保持高精度的同时减少了冗余处理。
• 利用球面环形投影中提取的扩展兴趣点进行里程计精炼，明显验证了其在减少轨迹漂移方面的可行性与有效性。
• 后向位姿更新机制显著提升了整体轨迹的一致性与精度。