中科院沈阳自动化所提出LinK3D：3D LiDAR点云的线性关键点表示

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud

论文地址：[2206.05927] LinK3D: Linear Keypoints Representati...

作者单位：中国科学院沈阳自动化研究所

 特征提取和匹配是许多计算机视觉任务的基本部分，例如二维或三维物体检测、识别和配准。众所周知，二维特征提取和匹配已经取得了很大的成功。遗憾的是，在3D领域，由于描述能力差和效率低，目前的方法无法支持3D激光雷达传感器在视觉任务中的广泛应用。为了解决这一局限性，我们提出了一种新的3D特征表示方法：用于3D LiDAR点云的线性关键点表示，称为LinK3D。LinK3D的新颖之处在于它充分考虑了LiDAR点云的特点（如场景的稀疏性、复杂性），并用其健壮的相邻关键点来表示当前关键点，这对当前关键点的描述提供了强大的约束。提出的LinK3D已在两个公共数据集（即KITTI和Steven VLP16）上进行了评估，实验结果表明，我们的方法在匹配性能方面大大优于现有技术。更重要的是，LinK3D显示了出色的实时性能（基于LiDAR的10 Hz频率）。LinK3D从64线激光雷达采集的点云中提取特征平均只需32毫秒，在配备Intel Core i7@2.2 GHz处理器的笔记本电脑中执行时，匹配两次LiDAR扫描只需约8毫秒。此外，我们的方法可以广泛扩展到各种三维视觉应用。在本文中，我们将LinK3D应用于3D配准、LiDAR里程计和场景识别任务，并与最先进的方法相比取得了具有竞争力的结果。

 我们的主要贡献如下： 1、 提出了一种新颖完整的三维激光雷达点云特征提取方法，包括关键点提取、特征描述和匹配。与最先进的3D特征相比，我们的方法在匹配和运行时取得了显著进步，并且在稀疏的LiDAR点云中更加可靠。 2、该方法可以潜在地应用于各种三维视觉任务。本文将LinK3D应用于3D LiDAR SLAM中的3D配准、LiDAR里程计和场景识别。与最先进的方法相比，我们的方法在这些任务中取得了具有竞争力的结果。 3、所提出的方法显示了令人印象深刻的效率，这使得我们的方法能够实时应用。我们的方法提取LinK3D特征平均需要32毫秒，匹配两次LiDAR扫描的描述符需要8毫秒，用于放置识别任务时，检索机器人的重新访问位置需要13毫秒。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容