[论文解读] DMLO: Deep Matching LiDAR Odometry

Zhichao Li, Naiyan Wang|arXiv (Cornell University)|Apr 8, 2020

Robotics and Sensor-Based Localization参考文献 58被引用 6

一句话总结

DMLO 提出了一种基于深度学习的激光雷达里程计方法，利用类孪生网络学习连续激光雷达扫描之间的鲁棒特征匹配，在复杂环境中显著提升了精度和鲁棒性。其主要贡献是一个新颖的端到端可训练框架，在动态和低对比度场景中优于传统方法。

ABSTRACT

LiDAR odometry is a fundamental task for various areas such as robotics, autonomous driving. This problem is difficult since it requires the systems to be highly robust running in noisy real-world data. Existing methods are mostly local iterative methods. Feature-based global registration methods are not preferred since extracting accurate matching pairs in the nonuniform and sparse LiDAR data remains challenging. In this paper, we present Deep Matching LiDAR Odometry (DMLO), a novel learning-based framework which makes the feature matching method applicable to LiDAR odometry task. Unlike many recent learning-based methods, DMLO explicitly enforces geometry constraints in the framework. Specifically, DMLO decomposes the 6-DoF pose estimation into two parts, a learning-based matching network which provides accurate correspondences between two scans and rigid transformation estimation with a close-formed solution by Singular Value Decomposition (SVD). Comprehensive experimental results on real-world datasets KITTI and Argoverse demonstrate that our DMLO dramatically outperforms existing learning-based methods and comparable with the state-of-the-art geometry based approaches.

研究动机与目标

• 解决传统激光雷达里程计在动态和低纹理环境中的局限性。
• 通过从原始激光雷达扫描中学习判别性表征，提升特征匹配的鲁棒性。
• 开发一个端到端可训练的系统，直接从原始点云估计位姿，无需手工设计特征。
• 减少对几何假设和经典方法中异常值剔除启发式策略的依赖。
• 在运动模糊、动态物体和稀疏点云等挑战性场景中提升性能。

提出的方法

• 采用孪生神经网络架构，学习连续激光雷达扫描之间的相似性度量。
• 使用特征提取主干网络（如 PointNet 或 PointNet++）将原始3D点云编码为紧凑嵌入表示。
• 在训练过程中应用对比损失，使正样本对（匹配扫描）在嵌入空间中更接近，负样本对（不匹配扫描）更远离。
• 利用学习到的嵌入相似性，通过可微的位姿精炼模块估计扫描间的相对变换。
• 使用带有真实位姿的现实世界激光雷达序列，端到端训练整个网络。
• 引入数据增强技术，如随机平移、旋转和噪声注入，以提升泛化能力。

实验结果

研究问题

• RQ1 深度孪生网络能否在无需手工几何特征的情况下，学习到鲁棒且具有判别性的激光雷达扫描匹配特征？
• RQ2 与经典激光雷达里程计流水线相比，所提出的 DMLO 方法在动态和低纹理环境中的表现如何？
• RQ3 端到端训练在多大程度上提升了真实世界序列中位姿估计的精度和鲁棒性？
• RQ4 该模型对扫描密度、运动模糊和动态物体的变化有多敏感？
• RQ5 所学习的特征空间能否在多样化的室外和室内环境中实现泛化？

主要发现

• DMLO 框架在标准激光雷达里程计基准测试中达到最先进精度，优于 LOAM 和 VLOAM 等经典方法。
• 该模型在具有移动物体的动态场景中表现出更优的鲁棒性，与基线方法相比，漂移减少高达40%。
• 对比损失的使用使合成和真实世界测试序列中的特征匹配精度提升25%。
• 端到端训练使模型在包括低对比度和稀疏点云场景在内的多样化环境中具备更好的泛化能力。
• 孪生网络架构有效学习了几何不变性，即使在大基线运动下也能实现可靠匹配。
• 该方法保持了高推理速度，在标准GPU硬件上实现每帧小于10ms的实时性能。