【SLAM】牛津大学提出了新的3D LiDAR-SLAM系统，设计网络结构参数数量最小化，深度学习方法使用CPU实时配置

论文地址： https://arxiv.org/pdf/2001.10249.pdf

代码：

来源： 牛津大学

论文名称：Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure

原文作者：Milad Ramezani

内容提要

本文提出了一种基于因子图的3D LiDAR-SLAM系统，组合了SOTA深度学习的基于特征的回环检测子，使得腿式机器人能够在工业环境中定位和建图。点云首先通过惯性运动学状态估计器对齐，然后再使用ICP进行配准对齐。为了实现闭环，使用一种回环策略，匹配工业环境中的分割块和点云。我们离线训练描述子来匹配这些分割块。设计网络结构以最小化参数数量实现了本文方法的高效性，从而使得深度学习方法能够使用CPU实时配置。里程计和闭环因子通过位姿图优化被更新。最终本文提供了高效的风险对齐预测方法，验证了配准的可靠性。在工业环境中的实验结果表明，本文系统的鲁棒性和灵活性，包括在SLAM地图中的自主路径跟随。

主要框架及实验结果