一种轻量且旋转不变的激光雷达位置识别网络

P237; 激光雷达位置识别技术是自动驾驶、机器人导航等领域实现全局定位的关键技术,现有方法注重提升模型特征表达能力,但忽视保持位置识别过程对点云旋转的不变性,且存在参数量大、依赖复杂预处理流程等问题.对此,本文提出一种名为RIP-Net的超轻量级位置识别深度学习网络.首先,快速获取场景局部区域点簇并构建底层旋转不变特征;然后,使用残差结构与注意力机制,融合多尺度信息实现局部区域的增强感知;最后,利用广义平均池化函数聚合场景全局特征,并基于特征距离实现位置识别与定位.在4个大规模场景点云数据集上的试验结果表明:RIP-Net不仅可实现对点云旋转的不变性,各项精度指标均优于现有方法,且模型参数量...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 54; no. 1; pp. 90 - 103
Main Authors 张正华, 陈国良
Format Journal Article
LanguageChinese
Published 中国矿业大学环境与测绘学院,江苏徐州 221116 2025
Subjects
deep learning
global localization
旋转不变
深度学习
LiDAR-based place recognition
rotation-invariant
全局定位
light weight network
激光雷达位置识别
轻量化模型
Online AccessGet full text

Cover

More Information
Summary:P237; 激光雷达位置识别技术是自动驾驶、机器人导航等领域实现全局定位的关键技术,现有方法注重提升模型特征表达能力,但忽视保持位置识别过程对点云旋转的不变性,且存在参数量大、依赖复杂预处理流程等问题.对此,本文提出一种名为RIP-Net的超轻量级位置识别深度学习网络.首先,快速获取场景局部区域点簇并构建底层旋转不变特征;然后,使用残差结构与注意力机制,融合多尺度信息实现局部区域的增强感知;最后,利用广义平均池化函数聚合场景全局特征,并基于特征距离实现位置识别与定位.在4个大规模场景点云数据集上的试验结果表明:RIP-Net不仅可实现对点云旋转的不变性,各项精度指标均优于现有方法,且模型参数量仅为30万,相比现有方法显著降低;此外,RIP-Net可无须数据预处理,直接使用原始点云实现精准位置识别定位,具备良好的实用性.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2025.20230302