.png){kind=icon}
返回
Excavator 3D pose estimation from point cloud with self-supervised deep learning
.png){kind=icon}
OA
AI
DOI：10.1111/mice.13500.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
挖掘机位姿估计是一项基础且具有挑战性的任务，对智能施工具有重要意义。基于相机或传感器的传统方法常受限于其感知空间结构的能力。为解决这一问题，三维激光雷达技术已作为挖掘机位姿估计的一种有前景的范式出现。然而，这些方法面临重大挑战：(1) 精确的三维位姿标注工作量大且成本高昂，(2) 挖掘机表现出复杂的运动学和几何结构，进一步增加了位姿估计的难度。本研究提出了一种全新的框架，用于直接从三维点云进行全车挖掘机位姿估计，无需依赖人工三维标注。挖掘机位姿通过在运动学约束下使用几何基元的位姿参数进行参数化。设计了一个统一的深度网络，用于从点云中预测位姿参数。该网络首先在合成数据上进行预训练以提供参数初始化，然后使用真实数据进行微调。为便于无标签训练，通过利用点云与挖掘机之间的几何和运动学一致性设计了自监督损失函数。在真实施工场地的实验结果证明了所提出方法的有效性和鲁棒性，实现了平均0.26米的位姿估计精度。该方法在各类挖掘机作业场景中均表现出有前景的性能，凸显了其在实际应用中的潜力。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
9.1
论文数:
2.0K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
An evidence-based approach to object pose estimation from LiDAR measurements in challenging environments在具有挑战性的环境中通过LiDAR测量进行物体姿态估计的基于证据的方法
PREAI
分享收藏
查看更多内容