CN119511308A 一种基于隐式神经场的激光雷达定位与三维建图方法 （云南大学）

一种基于隐式神经场的激光雷达定位与三本发明公开了一种基于隐式神经场的激光采样点从传感器坐标系转换到世界坐标系来初并使用八叉树数据结构存储优化后的潜在特征生成潜在特征集合，通过浅层多层感知机MLP对2通过重复预测位姿和扩展NSDF的操作，直到所有的雷达2.根据权利要求1所述的一种基于隐式神经场的激光雷达定位与三维建图方法，其特使用莫顿Morton编码将三维坐标映射到一维编码，结合表N3.根据权利要求1所述的一种基于隐式神经场的激光雷达定位与三维建图方法，其特采用公式(1)通过前两帧的位姿和Twr-z预测当前帧的初始位姿Te:公式(1)为：采用LM算法或者Adam优化器最小化SDF值来迭代得到当前帧4.根据权利要求1所述的一种基于隐式神经场的激光雷达定位与三维建图方法，其特遍历八叉树每个层级的最大节点坐标maxk和最小节点坐标根据公式M＝(maxk_mink)/Scube计算当前层级的地图大小，其中Scube为Marching35.根据权利要求1所述的一种基于隐式神经场的激光雷达定位与三维建图方法，其特使用MarchingCubes算法将隐式表示的地图转6.根据权利要求1所述的一种基于隐式神经场的激光雷达定位与三维建图方法，其特4[0002]SLAM(SimultaneousLocalizationandMapping)是一种集成了定位和地图构建激光雷达里程计(LiDAROdometry)是通过使用激光雷达(LiDAR)数据估计机器人或车辆的[0003]在地图重建方面大多数现有的三维重建工作都是为RGB_D相机和室内环境开发以有效提高激光雷达在定位和建图方面的准[0005]本发明解决上述技术问题提出了一种基于隐式神经场的激光雷达定位与三维建5[0012]通过重复预测位姿和扩展NSDF的操作，直到所有的雷达点云数据全部输入完成的方法即我们不需要寻找相邻帧的对应点或对应特征，这是一种无对应关系的对齐方式，仅需使用基于八叉树结构的分层潜在特征通过最小化当前帧的SDF值来获得当前帧的位[0016]图2为本发明中基于隐式神经场的激光雷达定位与三维建图方法的一个流程示意快速索引，查询分层的潜在特征，然后将不同层级的潜在特征融合，采用Levenberg_6[0031]通过帧到隐式地图的匹配方式获得预测位姿的这一过程称之为隐式神经里程7将当前帧转换到世界坐标系，通过NSDF查询当前帧中输入点的SDF值；最后，采用Levenberg_Marquardt(LM)算法或者Adam优化器最小化SDF值来迭代得到当前帧的预测位[0033]Levenberg_Marquardt(LM)算法是一种非线性最小二乘优化算法。它结合了梯度下降法和高斯_牛顿法的优点，在处理非线性最小二乘问题时表现出色。主要用于拟合曲[0037]其中表示世界坐标下μμμ8[0044]为了确定当前地图的大小，遍历八叉树每个层级k的最大节点坐标maxk和最小节[0045]通过重复预测位姿和扩展NSDF的操作，直到雷达点云数据中所有帧全部输入完的方法即我们不需要寻找相邻帧的对应点或对应特征，这是一种无对应关系的对齐方式，仅需使用基于八叉树结构的分层潜在