DMLO : Odométrie LiDAR par Correspondance Profonde

L'odométrie LiDAR est une tâche fondamentale pour divers domaines tels que la robotique et la conduite autonome. Ce problème est difficile car il nécessite que les systèmes soient très robustes pour fonctionner avec des données réalistes bruyantes. Les méthodes existantes sont principalement des méthodes itératives locales. Les méthodes d'enregistrement global basées sur des caractéristiques ne sont pas préférées, car l'extraction de paires correspondantes précises dans les données LiDAR non uniformes et rares reste difficile. Dans cet article, nous présentons l'Odométrie LiDAR par Correspondance Profonde (DMLO), un cadre novateur basé sur l'apprentissage qui rend la méthode de correspondance de caractéristiques applicable à la tâche d'odométrie LiDAR. Contrairement à de nombreuses méthodes récentes basées sur l'apprentissage, DMLO applique explicitement des contraintes géométriques dans le cadre. Plus précisément, DMLO décompose l'estimation de pose à 6 degrés de liberté en deux parties : un réseau de correspondance basé sur l'apprentissage qui fournit des correspondances précises entre deux scans et une estimation de transformation rigide avec une solution sous forme fermée par Décomposition en Valeurs Singulières (SVD). Des résultats expérimentaux complets sur des ensembles de données réels KITTI et Argoverse démontrent que notre DMLO surpasse de manière significative les méthodes existantes basées sur l'apprentissage et est comparable aux approches géométriques de pointe.