超级会员免费看
本文提出了一种新的SLAM框架，结合强度和几何信息进行定位和建图。传统的LiDAR SLAM算法主要依赖几何特征，而忽视了强度信息的价值。本文分析了强度测量的物理模型，将强度引入里程计估计和后端优化，提高了SLAM系统的定位精度。实验表明，这种方法在室内仓库和室外自动驾驶场景中表现优于仅使用几何信息的方法。
论文、代码地址：在公众号「3D视觉工坊」，后台回复「Intensity-SLAM」，即可直接下载。
摘要：SLAM是一项基于传感器感知（如LiDAR和相机）可用于估计机器人位置并重建环境的任务。它广泛应用于自动驾驶等机器人应用场景。传统基于 LiDAR 的 SLAM 算法主要利用场景上下文中的几何特征，而忽略了来自 LiDAR 的强度信息。最近一些基于深度学习的 SLAM 算法会考虑强度特征并以端到端的方式训练位姿估计网络。然而，它们需要大量的数据收集工作，并且它们对训练环境以外的环境的普遍性仍不清楚。本文中，我们接收了基于强度特征的 SLAM 系统。我们提出了一种新颖的完整 SLAM 框架，它利用了几何和强度特征。所提出的 SLAM 涉及基于强度的前端里程计估计和基于强度的后端优化。进行了包括室外自动驾驶和室内仓库
订阅专栏 解锁全文
扫一扫
222
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
