CN116934828B 一种基于想象计算强化的激光雷达稠密测量方法 （杭州电子科技大学）_第1页
CN116934828B 一种基于想象计算强化的激光雷达稠密测量方法 （杭州电子科技大学）_第2页
CN116934828B 一种基于想象计算强化的激光雷达稠密测量方法 （杭州电子科技大学）_第3页
CN116934828B 一种基于想象计算强化的激光雷达稠密测量方法 （杭州电子科技大学）_第4页
CN116934828B 一种基于想象计算强化的激光雷达稠密测量方法 （杭州电子科技大学）_第5页
已阅读5页，还剩10页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于想象计算强化的激光雷达稠密测本发明公开了一种基于想象计算强化的激级的稀疏体素八叉树，对有向距离场SDF进行编21.一种基于想象计算强化的激光雷达稠密测量方法，使用激光雷达扫描待测量场景，步骤4、通过最小化整体损失函数L,联合优化多尺度稀疏体素八叉树中的特征和耦合网络Fθ计算出xk与最近表面之间的距离i,,以d,作为步长，寻找下一查询点xk+1，Xk+1-+d,d,直到光线消失或达到物体表面。3.如权利要求1或2所述一种基于想象计算强化的激光雷达稠密测量方法，其特征在于：所述耦合神经网络Fθ首先将采样点x位置处的特征向量z(x)输入到一个MLP神经网络4.如权利要求1或2所述一种基于想象计算强化的激光雷达稠密测量方法，其特征在34含点云时，稀疏体素八叉树才为其分配体素。体素分辨率从最粗分辨率到最细分辨率5i),vxe[0011]耦合神经网络Fθ首先将采样点x位置处的特征向量z(x)输入到一个神经网络中，得到预测的SDF和神经网络隐藏层的状态参数ξ,然后将状态参数ξ与观测角度一同输入[0015]通过最小化SDF损失Lsor=兴-1Ln来优化耦合神经网络输出的预测值SDF(x)，最[0018]其中，S表示预测场景的表面，Ω\S表示整个体素空间中不包含表面的位置；采样点x位置处的SDF值，θ表示耦合神经网络参数，SDF(x)指的是采样点x位置处的SDF真经网络能够更好的预测SDF值与强度值。使用特征提取器分别提取激光雷达获取的原始的6原始图像与网络优化补全图像的语义特征之间的差异来最小化语义一在不同分辨率下的父体素，然后在每级分辨x+drd,直到光线消失或达到物体表面。7[0039]所述耦合神经网络为两个MLP神经网络，第一个MLP神经网络以采样点x的位置处x进行线性插值的结果，将这两个结果及其他所有尺度下得到的结果组合成特征向量作为失函数最小化，联合优化多尺度稀疏体素八叉树中的特征和耦合神经网络Fθ的网络参数，[0043]其中，LSC表示语义一致性特征损失，Ln表示稀疏体素八叉树第n级分辨率下的进行特征向量三线性插值，并利用耦合神经网络Fθ计算出xk离最近表面的距离d,,以d,作

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论