- 课程回放
- 深度学习在点云数据处理中的应用现状
- 点云配准的主要算法与方案对比
- 点云拼接网络DeepVCP原理及实现
- DeepVCP在不同自动驾驶数据集中的精度验证
点云作为无人驾驶感知和高精度地图重要的数据来源和数据形式,其数据处理算法受到越来越多的关注。点云处理步骤一般包括点云去噪、点云滤波、点云拼接、特征提取、目标检测与识别,高质量、完整的点云数据是后期激光雷达点云识别、目标检测的基础。
在道路数据采集阶段,由于激光雷达的运动使得点云数据是在不同视点下分段获取的,因此,将不同视点下采集的点云拼接起来无疑是生产高精度地图的重要一环。
经典的点云拼接算法有迭代最近点算法(ICP)及其改进算法,ICP算法作为一个性能优越的精确点云拼接算法,当前应用最为广泛。但ICP向全局最优的收敛性在很大程度上依赖于待拼接数据的初始拼接位置,而在无人车环境中,由于GNSS信号的不稳定,将带来更差的初值,同时道路中的车辆 、行人等动态目标也将带来较大干扰。所以如何在实现点云配准精度的同时保证算法的便捷和稳定性,是行业内的重要课题。
深度学习在二维图像上的应用越来越广泛,包括二维图像的分割、分类、物体检测等方向,基于深度学习的解决方案都取得了令人惊叹的成果,点云处理研究人员和从业者也开始探索如何将深度学习有效直接地应用三维点云数据。
随着无人车、机器人等领域的兴起,将深度学习应用于点云处理也取得了很多极具启发意义的成果,这些成果大部分都集中在点云的识别、检测等领域,在点云配准、三维重建等领域仍鲜少涉及,虽有个别工作取得了一定进展,但总体来说深度学习尚未在相关领域取得决定性的突破。
近日,百度Apollo的工程师提出了一种基于深度学习的端到端的点云拼接网络DeepVCP,不同于传统方法中仅使用几何特征,DeepVCP在拼接过程中引入了语义特征自动筛选关键点。此外,不同于传统方法中查找几何特征最相似的点作为同名点,DeepVCP仅评估几何特征之间的相似度,并根据相似度生成匹配概率,再根据匹配概率生成同名点,最后算法仅依赖少量的稳定关键点进行匹配,不仅达到了和ICP家族使用全帧点云匹配相等的精度,还提升了匹配的稳定性。
11月26日,智东西公开课将联合百度Apollo推出高精度地图公开课百度Apollo专场,由百度资深研发工程师卢维欣主讲,主题为《利用深度学习实现高精地图的点云配准》。
卢维欣老师将深入讲解其在利用深度学习完成点云配准方面的研究成果,方法步骤及最终的精度验证,给你带来不一样的启发和学习体验。