基于学习局部描述子的几何多会话地图合并

本文解决了在大型环境中运行的自主系统合并来自多个会话的点云地图的重要问题。使用学习到的局部描述符、关键点感知编码器和几何变换器表明了一种新的循环闭合检测和相对姿态估计方法，这对于精确的地图合并至关重要。在因子图优化中包含会话间扫描匹配成本因子进一步增强了全局一致性。在公共和自收集数据集上的评估表明了稳健和精确的地图合并的潜力，这是对机器人技术和自主导航领域的重要贡献。

• •提出了一个基于学习的框架（GMLD）用于多会话点云地图合并。
• •采用关键点感知编码器和基于平面的几何变换器进行特征提取。
• •集成了会话间扫描匹配成本因子以提高全局一致性。
• •在各种数据集上展示了准确且稳健的地图合并，误差较低。