以下內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

#論文# D-LC-Nets: Robust Denoising and Loop Closing Networks for LiDAR SLAM in Complicated Circumstances with Noisy Point Clouds

論文地址：https://ieeexplore.ieee.org/abstract/document/9981388/figures#figures

Github：GitHub - KangchengLiu/DLC_LiDAR_SLAM: Official Pro...

? ? ?摘要：當(dāng)前的LiDAR SLAM系統(tǒng)在面對復(fù)雜環(huán)境時精度較低、魯棒性有限。通過實驗，我們發(fā)現(xiàn)當(dāng)前的LiDAR SLAM系統(tǒng)在獲取的點云噪聲較大時性能有限。因此，在本文中，我們提出了一個通用的框架來解決復(fù)雜環(huán)境中激光雷達SLAM的去噪和回環(huán)問題?，F(xiàn)有的點云去噪方法主要針對小尺度點云進行設(shè)計，無法推廣到大尺度點云場景。

? ? ?在這項工作中，我們首先提出了一種用于大規(guī)模點云去噪的輕量級網(wǎng)絡(luò)。隨后，我們還設(shè)計了一個高效的閉環(huán)網(wǎng)絡(luò)用于全局優(yōu)化中的位置識別，以提高整個系統(tǒng)的定位精度。最后，我們通過大量的實驗和基準(zhǔn)研究證明，我們的方法可以在面對噪聲點云時對LiDAR SLAM系統(tǒng)的定位精度有顯著的提升，同時計算成本略有增加。

本文貢獻如下：

1. 我們提出了一種輕量級網(wǎng)絡(luò)用于SLAM中的局部地圖去噪。我們提出了具體的設(shè)計，包括基于雙尺度CNN的特征提取和基于RNN的特征融合，實現(xiàn)了準(zhǔn)確的去噪。

2. 我們提出了一種有效的閉環(huán)網(wǎng)絡(luò)來提高定位精度和魯棒性。分類和回歸損失都是為了提取地物特征，并發(fā)現(xiàn)兩次LiDAR掃描的方向偏差。實驗證明了其有效性。

3. 我們將所提出的方法與固態(tài)激光雷達( Livox- AVIA )和機械式激光雷達( VLP- 16 )集成到我們的系統(tǒng)中。在具有挑戰(zhàn)性的基準(zhǔn)和真實環(huán)境中，包括花園和有玻璃反射強光的走廊情況下，取得了令人滿意的性能。這表明我們的方法在有效性和效率方面具有明顯的優(yōu)勢。

以上內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈 每日更新內(nèi)容