Исследователи из Китайского университета Линпоанга (SJTU) представили TransLO – новую систему на основе оконного маскирующего трансформера для шкалируемой лидарной одометрии. Интересно увидеть, как эта технология справится с большими объемами данных. #TransLO #Лидар #Одометрия
Исследователи из Китая разработали TransLO: рамочную маскированную трансформерную модель для широкомасштабной лидарной одометрии
Исследователи из Шанхайского университета Джао Тун и Китайского университета горного дела разработали TransLO. Эта сеть для лидарной одометрии объединяет рамочный маскированный трансформер с самовниманием и маскированным перекадровым вниманием. Эффективно обрабатывая разреженные облака точек, TransLO использует бинарную маску для удаления недействительных и динамических точек.
Проблема и ее решение
В исследовании рассматриваются общие методы лидарной одометрии, включая варианты метода итеративного наиболее близкого соответствия (ICP) и широко используемый LOAM, который извлекает признаки для оценки движения. Особое внимание уделяется вариантам LOAM, включающим сегментацию поверхности для улучшения производительности. TransLO, первая сеть для лидарной одометрии на основе трансформеров, объединяет сверточные нейронные сети и трансформеры для глобального вложения признаков, повышая отказоустойчивость и понимание трехмерной сцены. Компоненты, такие как маски, осознающие проекцию, маскированное самовнимание (WMSA) и маскированное перекадровое внимание (MCFA), оцениваются с помощью абляционных исследований для демонстрации эффективности TransLO.
Важность лидарной одометрии
Лидарная одометрия является важной для таких приложений, как SLAM, навигация роботов и автономное вождение, и традиционно основывается на методах ICP или методах на основе признаков. Методы, основанные на обучении, особенно сверточные нейронные сети, сталкиваются с проблемами захвата дальних зависимостей и глобальных признаков в облаках точек. TransLO использует рамочный маскированный трансформер с самовниманием и маскированным перекадровым вниманием для обработки облаков точек и эффективного прогнозирования параметров.
Результаты исследования
Эксперименты на наборе данных KITTI показывают превосходную производительность TransLO с среднеквадратичной ошибкой вращения 0.500°/100м и среднеквадратичной ошибкой трансляции 0.993%. TransLO превосходит последние методы на основе обучения и даже превосходит LOAM на большинстве последовательностей оценки. Абляционные исследования подчеркивают значимость WMSA и бинарной маски, фильтрующей выбросы. Модуль MCFA улучшает ошибки трансляции и вращения, устанавливая мягкие соответствия между кадрами, подчеркивая его важную роль в успехе модели.
Однако TransLO имеет некоторые ограничения. Необходима подробная аналитика вычислительной сложности модели, чтобы лучше понять ее эффективность по сравнению с другими методами. Оценка проводится только на наборе данных KITTI, что вызывает вопросы о применимости метода в различных сценариях. Отсутствие сравнения с методами, не использующими трансформеры, ограничивает понимание преимуществ и недостатков TransLO.
Заключение
TransLO – это уникальная сеть для лидарной одометрии, основанная на рамочном маскированном трансформере. Сочетание сверточных нейронных сетей и трансформеров улучшает глобальное вложение признаков и отказоустойчивость, достигая передовых результатов на наборе данных KITTI. Ключевые компоненты включают WMSA для получения дальних зависимостей, бинарную маску для фильтрации выбросов и MCFA для ассоциации кадров и прогнозирования параметров. TransLO обеспечивает высокую точность, эффективность и сосредоточенность на глобальных признаках для локализации и навигации в широком масштабе.
Для получения рекомендаций по управлению искусственным интеллектом в бизнесе свяжитесь с нами по адресу hello@itinai.ru. Подписывайтесь на наш Telegram-канал t.me/itinairu, чтобы быть в курсе последних новостей об искусственном интеллекте.
Ознакомьтесь с практическим примером нашего ИИ-решения: бот для продаж, разработанный для автоматизации общения с клиентами на всех этапах их пути. Узнайте, как искусственный интеллект может улучшить ваши продажи и взаимодействие с клиентами. Подробнее ознакомьтесь с нашими решениями на сайте itinai.ru.
Вы также можете ознакомиться с исследованием на сайте MarkTechPost и репозиторием на Github.
Вся заслуга за это исследование принадлежит исследователям данного проекта.
Если вам понравилась наша работа, вам понравится и наша рассылка. Подпишитесь на нее, чтобы быть в курсе последних новостей об искусственном интеллекте.
Этот пост был опубликован на MarkTechPost.
