摘要：针对纯激光雷达里程计在几何特征稀疏场景下特征点不足和定位精度低的问题,设计了一种基于通用特征的紧耦合激光雷达里程计。首先,在数据预处理部分利用IMU(Inertial Measurement Unit)测量数据通过线性插值对雷达点云数据进行运动畸变剔除;其次,在特征提取部分,两个线程同时工作:一个线程提取环境中的线、面特征,另一个线程对点云数据进行鸟瞰图投影并提取ORB特征;然后,在状态估计部分,使用帧间线面特征和通用特征匹配建立观测方程,并通过误差卡尔曼滤波器将IMU数据与激光雷达数据融合,输出位姿。最后,为验证上述方法的有效性,使用KITTI数据集和仿真环境进行实验验证。实验结果表明,与现有方法相比,上述方法在精度上有一定程度的提高。

摘要：点云配准网络在处理大规模点云和捕获局部细节特征时存在局限性,导致其对点云重叠区域配准的精度不足,本文提出了一种新的点云配准网络CR-RORNet来解决此问题。该网络结合了通道优先卷积注意力和ResPointNet模块,克服了现有方法在应对复杂场景和不规则点云时的不足,提升了复杂点云模型的配准效果。首先,在粗配准阶段设计了ResPointNet模块,通过引入残差连接机制强化了点云模型全局特征和多层次特征的提取与融合。其次,在动态图卷积神经网络中将通道优先卷积注意力机制CPCA(Channel Prior Convolutional Attention)与跨阶段梯度聚合机制进行结合,CPCA机制利用通道先验信息加强了网络对重要特征通道和区域的关注,在处理点云重叠部分时,能有效增强网络模型对点云局部细节特征的捕捉能力并抑制低置信度区域的影响,从而显著提升配准的效果;跨阶段梯度聚合机制融合了点云模型不同深度层次的梯度信息,确保在处理微小零部件或大范围场景点云模型时,网络能充分理解点云的结构和局部细节,并使学习到的特征具有良好的表达力,从而实现了复杂场景下点云数据的高精度配准。实验表明,CR-RORNet在自采数据集上的表现优于其他点云配准方法,相比基线RORNet,CR-RORNet在RMSE(t)误差降低了39.5%,在MSE(R)误差降低了5.1%。公开数据集ModelNet40中的实验结果表明,该网络具有良好的泛化性能。