LiDAR Loop Closure Detection using Semantic Graphs with Graph Attention Networks

要約

このホワイトペーパーでは、グラフ注意ニューラルネットワークを使用してセマンティックグラフをエンコードして場所認識を実行し、セマンティック登録を使用して6 DOFの相対ポーズ制約を推定する新しいループ閉鎖検出アルゴリズムを提案します。
Place認識アルゴリズムには、2つの重要なモジュール、つまりセマンティックグラフエンコーダモジュールとグラフ比較モジュールがあります。
セマンティックグラフエンコーダは、グラフ注意ネットワークを採用して、入力ポイントクラウドのセマンティックグラフから空間、セマンティック、幾何情報を効率的にエンコードします。
次に、ノード埋め込み手順とグラフ埋め込み手順の両方で自己関節メカニズムを使用して、特徴的なグラフベクターを作成します。
次に、現在のスキャンとキーフレームスキャンのグラフベクトルをグラフ比較モジュールで比較して、可能なループ閉鎖を識別します。
具体的には、アブレーション研究に示すように、2つのグラフベクトルの違いを使用すると、パフォーマンスが大幅に改善されました。
最後に、ループ閉鎖候補スキャンを取り入れるセマンティック登録アルゴリズムを実装し、Lidar Slamシステムの相対的な6 DOFポーズ制約を推定しました。
パブリックデータセットでの広範な評価は、モデルがより正確で堅牢であり、ベースラインセマンティックグラフアルゴリズムと比較した場合、Semantickittiデータセットの最大F1スコアの13％の改善を達成することを示しています。
コミュニティの利益のために、提案されたアルゴリズムの完全な実装とセマンティック登録のカスタム実装の完全な実装をhttps://github.com/crepuscularlight/semanticloopclose

要約(オリジナル)

In this paper, we propose a novel loop closure detection algorithm that uses graph attention neural networks to encode semantic graphs to perform place recognition and then use semantic registration to estimate the 6 DoF relative pose constraint. Our place recognition algorithm has two key modules, namely, a semantic graph encoder module and a graph comparison module. The semantic graph encoder employs graph attention networks to efficiently encode spatial, semantic and geometric information from the semantic graph of the input point cloud. We then use self-attention mechanism in both node-embedding and graph-embedding steps to create distinctive graph vectors. The graph vectors of the current scan and a keyframe scan are then compared in the graph comparison module to identify a possible loop closure. Specifically, employing the difference of the two graph vectors showed a significant improvement in performance, as shown in ablation studies. Lastly, we implemented a semantic registration algorithm that takes in loop closure candidate scans and estimates the relative 6 DoF pose constraint for the LiDAR SLAM system. Extensive evaluation on public datasets shows that our model is more accurate and robust, achieving 13% improvement in maximum F1 score on the SemanticKITTI dataset, when compared to the baseline semantic graph algorithm. For the benefit of the community, we open-source the complete implementation of our proposed algorithm and custom implementation of semantic registration at https://github.com/crepuscularlight/SemanticLoopClosure

arxiv情報

提供元, 利用サービス

arxiv.jp, Google