点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
最近，德国波恩大学Photogrammetry and Robotics Lab新开源了用于激光雷达SLAM中闭环检测的代码：OverlapNet，该工作已经被Proceedings of Robotics: Science and Systems (RSS)录用。其中第一作者为华人在读博士Xieyuanli Chen，他也是之前开源项目SuMa++: Efficient LiDAR-based Semantic SLAM 的第一作者。
以下是新开源代码相关的论文、视频、代码、作者个人主页等信息
论文名称：OverlapNet: Loop Closing for LiDAR-based SLAM
论文下载：https://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2020rss.pdf
代码链接：https://github.com/PRBonn/OverlapNet
作者个人主页：https://www.ipb.uni-bonn.de/people/xieyuanli-chen/
先来看下作者介绍的视频，了解一下该工作的主要内容
该开源项目主要亮点如下：
1、无需先验位姿信息，解决在自动驾驶中3D LiDAR SLAM 的闭环检测问题。
2、不需提前知道两个雷达扫描的相对位姿，只利用范围、法向量、强度和语义等线索，使用深度神经网络直接估计两个激光雷达扫描的重叠率，以及相对偏航角。
展示了 OverlapNet 的主要框架。模型输入是两个雷达扫描的球面投影，包含范围、法向量、强度和语义四个信道。经过共用的卷积神经网络滤波，在两个扫描中提取的特征图被一同用于预测重叠率和相对偏航角
3、结合里程计信息和重叠率预测实现闭环的检测、修正。
4、可以检测到的闭环整合到现有SLAM系统中，可以提高整体位姿估计的结果，产生全局一致的地图。
5、可以在比较有挑战性的环境下估计回环信息。
6、在不同数据集上泛化性能不错。作者训练模型使用的是 KITTI 数据集，在 Ford campus 数据集上进行测试评估。实验表明该方法仍然能够比最新的方法更有效地检测闭环。
本文提出的方法比其他方法回环检测的召回率与精确率曲线比较。注意本文的方法（红色和绿色曲线）只使用了KITTI数据集训练。没有使用 Ford campus 数据集训练，仍然可以在 Ford campus数据集实现良好的性能
本文仅做学术分享，如有侵权，请联系删文。
推荐阅读：
专辑|相机标定
专辑|3D点云
专辑|SLAM
专辑|深度学习与自动驾驶
专辑|结构光
专辑|事件相机
专辑|OpenCV学习
专辑|学习资源汇总
专辑|招聘与项目对接
专辑|读书笔记
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
3Ｄ视觉工坊 认证博客专家 算法 3D视觉 个人公众号：３D视觉工坊。公众号特邀嘉宾及合伙人，先后就职于国内知名研究机构、自动驾驶公司、海康研究院，主要研究方向为深度学习、目标检测、语义分割、图像处理、自动驾驶感知算法等，博客专家。博主先后任职于国内知名研究院、知名大厂，致力于3D视觉算法、VLAM算法开发，涉及相机标定、手眼标定、结构光、点云后处理、三维重建等相关领域的研究，同时也是博客专家。3D视觉工坊坚持原创，近一年来输出了非常多的高质量文章，获得了粉丝的一致好评，我们将始终坚持走原创路线，打造一个铁杆粉丝的聚集区。