LPD-Net: 3D-Punktwolke-Lernen für die großflächige Ortserkennung und Umweltanalyse

Die Ortserkennung auf der Grundlage von Punktwolken ist aufgrund der Schwierigkeit, lokale Merkmale aus den rohen 3D-Punktwolken zu extrahieren und einen globalen Deskriptor zu generieren, immer noch ein offenes Problem. Dies gilt insbesondere in großen dynamischen Umgebungen. In dieser Arbeit entwickeln wir ein neues tiefes neuronales Netzwerk, das LPD-Net (Large-scale Place Description Network) genannt wird, welches in der Lage ist, diskriminierende und verallgemeinerbare globale Deskriptoren aus den rohen 3D-Punktwolken zu extrahieren. Zwei Module werden vorgeschlagen: Das adaptive Modul zur Extraktion lokaler Merkmale und das graphbasierte Modul zur Aggregation der Nachbarschaft. Diese Module tragen dazu bei, die lokalen Strukturen zu extrahieren und die räumliche Verteilung der lokalen Merkmale in großen Punktwolken aufzudecken, wobei sie dies in einem end-to-end-Prozess tun. Wir implementieren den vorgeschlagenen globalen Deskriptor zur Lösung von Aufgaben zur Suchmaschine-basierten Retrieval, um eine großflächige Ortserkennung zu erreichen. Vergleichsergebnisse zeigen, dass unser LPD-Net viel besser als PointNetVLAD ist und den aktuellen Stand der Technik erreicht. Wir vergleichen unser LPD-Net auch mit visuellen Lösungen, um die Robustheit unserer Methode gegenüber verschiedenen Wetter- und Lichtbedingungen zu demonstrieren.