-
题名基于深度学习的三维点云与IMU融合里程计
- 1
-
-
作者
张乔
黄瑞
张裕
陈筱彦
-
机构
上海应用技术大学智能技术学部
-
出处
《电子测量技术》
北大核心
2025年第10期186-195,共10页
-
基金
上海市自然科学基金(21ZR1462600)项目资助。
-
文摘
里程计是即时定位与建图技术的重要组成部分,但是现有的里程计算法多数使用点云数据或图片数据等单一数据,没有充分利用多数据融合来提升轨迹估计的精度,同时在复杂环境和特征缺失的场景中轨迹估计的精度不足。针对此问题,本文提出了一种融合激光雷达数据和惯性测量单元数据的深度网络3DPointLIO。首先结合特征金字塔网络和权重注意力机制来降低场景中动态信息的影响,提高点云特征的鲁棒性。然后在IMU数据处理网络中,通过卷积网络和门控循环单元相结合的方式来降低原始IMU数据中的噪声影响,并使用双向长短期记忆网络来提取降噪后的IMU数据的时序特征。最后通过多层线性层构成的位姿估计网络进行平移和旋转的估计。在开源数据集KITTI上进行验证,实验结果表明,该里程计算法相比于基准模型在旋转的估计上提升了0.76°,平移的估计上提升了2.17%。与其他常见的里程计算法相比,旋转和平移的估计也表现出较好的效果,特别是在旋转的估计上具有更高的精度。
-
关键词
即时定位与建图
激光惯导融合里程计
激光雷达
深度学习
-
Keywords
simultaneous localization and mapping
LiDAR-IMU fusion odometry
LiDAR
deep learning
-
分类号
TN242
[电子电信—物理电子学]
TN958.98
[电子电信—信号与信息处理]
-
