ALIVE-LIO提出退化感知激光惯性里程计框架
热点事件持续更新
ALIVE-LIO提出退化感知激光惯性里程计框架
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Seongjun Kim 等研究者提出 ALIVE-LIO，一种面向退化环境的激光惯性里程计框架，将深度神经网络与经典误差状态卡尔曼滤波（ESKF）结合，在检测到退化时才把网络预测的机体坐标系速度选择性融合进 ESKF，以补偿长走廊、单面墙等场景下 LiDAR 可观测性的损失。 在公开退化数据集和自采数据的实验中，ALIVE-LIO 在 32 个序列中的 22 个取得最优结果，作者称其显著降低退化环境下的位姿漂移，代码已开源。
AI 根据报道生成 · 1 小时前更新
最新进展10月14日 12:00
ALIVE-LIO：面向退化环境的 ESKF 激光惯性里程计学习方法报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv cs.RO 机器人学精选ALIVE-LIO：面向退化环境的 ESKF 激光惯性里程计学习方法
ALIVE-LIO 提出一种退化感知的激光惯性里程计（LIO）框架，将深度神经网络与经典误差状态卡尔曼滤波（ESKF）结合，在检测到退化时才把网络预测的机体坐标系速度选择性融合进 ESKF，以补偿长走廊、单面墙等场景下 LiDAR 可观测性的损失。实验在公开退化数据集和自采数据上进行，ALIVE-LIO 在 32 个序列中的 22 个取得最优结果，显著降低退化环境下的位姿漂移，代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。