论文标题：Robust Self-Supervised LiDAR Odometry Via Representative Structure Discovery and 3D Inherent Error M

代码链接：https://github.com/SamuelYale/RSLO

激光雷达在自动驾驶中是个必要的传感器，但是激光雷达由于自身数据的稀疏性和信噪比的问题会给运动估计的鲁棒性带来比较大的挑战，如下图，即使是两帧相邻的激光雷达点云，也会由于动态物体和错位带来一个误匹配，这种误匹配对于激光雷达里程计是非常致命的，所以如何发现并且减轻这些不可靠区域的权重是一个值得研究的问题。

另一方面，虽然基于3D CNN的模型已经证明了能在一定程度上解决上述问题，但是现在有的基于3D CNN的自监督激光雷达里程计并没有明确的设计来强制网络自适应地聚焦于可靠区域，并且自监督方法通常利用扫描之间的几何一致性来实现自我运动估计。如上图所示，几何一致性在实践中可能无法完全保持。并且现有的大多数方法都是通过估计不确定性标量从而在类别级别上建模并优化固有误差。但是如下图所示，固有误差大小不仅在不同类别中不同，而且在不同方向上也不同，所以需要一个更细致的固有误差模型来区分训练过程中不同方向上的不确定性差异。

Contributions

  1. 提出了一个两阶段的自我运动估计框架，将网络的重点放在两帧LiDAR里程计的代表性结构上。

  2. 通过3D CNN估计逐点协方差，并且对点的不确定性进行建模，从而在此基础上更好地降低自监督损失的固有误差。

  3. 引入一个不确定性感知建图模块，该模块将发现的代表性结构和CNN的逐点协方差估计用于地图构建和scan2map的位姿优化。。

  4. 在KITTI数据集的平移/旋转误差方面，所提出的自监督里程计比之前的技术水平高出16%/12%，在Apollo Southbay上的表现也很好。基于建图模块和更多的训练数据，所提出的系统甚至可以实时高效地与有监督的方法竞争。

图1 模型框架图

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除