點(dian)(dian)云作為無人(ren)駕駛感知和高(gao)精度地圖重要(yao)的(de)數據來(lai)源和數據形式，其數據處理算法受到越來(lai)越多的(de)關注(zhu)。點(dian)(dian)云處理步驟一般包括點(dian)(dian)云去噪(zao)、點(dian)(dian)云濾波、點(dian)(dian)云拼接、特(te)征提取、目(mu)標(biao)檢測(ce)(ce)與(yu)識(shi)別，高(gao)質(zhi)量(liang)、完整的(de)點(dian)(dian)云數據是后期(qi)激光雷達(da)點(dian)(dian)云識(shi)別、目(mu)標(biao)檢測(ce)(ce)的(de)基礎(chu)。
在道路數據(ju)采(cai)(cai)集階(jie)段，由于激光雷達的運動使得點(dian)云數據(ju)是在不同視點(dian)下分段獲取的，因(yin)此(ci)，將不同視點(dian)下采(cai)(cai)集的點(dian)云拼接起來無(wu)疑是生產高精度(du)地(di)圖的重要一環。
經典的點(dian)(dian)云(yun)拼接(jie)算(suan)(suan)法(fa)(fa)有(you)迭代(dai)最(zui)近點(dian)(dian)算(suan)(suan)法(fa)(fa)（ICP）及其改進算(suan)(suan)法(fa)(fa)，ICP算(suan)(suan)法(fa)(fa)作(zuo)為一個性(xing)能優(you)越的精確點(dian)(dian)云(yun)拼接(jie)算(suan)(suan)法(fa)(fa)，當前應用最(zui)為廣泛(fan)。但ICP向全局最(zui)優(you)的收斂性(xing)在很大程度上依賴于待拼接(jie)數據的初始拼接(jie)位置，而(er)在無人(ren)車環境中，由于GNSS信號的不(bu)穩定，將帶(dai)來更(geng)差的初值，同時(shi)道路中的車輛 、行(xing)人(ren)等動態(tai)目標(biao)也將帶(dai)來較大干擾。所以如何(he)在實現點(dian)(dian)云(yun)配準精度的同時(shi)保證算(suan)(suan)法(fa)(fa)的便捷和(he)穩定性(xing)，是行(xing)業(ye)內的重要課題。
深度學(xue)習(xi)在二維(wei)圖像上(shang)的(de)(de)應用(yong)越來越廣泛，包括(kuo)二維(wei)圖像的(de)(de)分割(ge)、分類、物體檢測等(deng)方向，基于深度學(xue)習(xi)的(de)(de)解決(jue)方案都取得了令人驚嘆的(de)(de)成果(guo)，點云處理研究(jiu)人員和從業(ye)者也開始探索如何將深度學(xue)習(xi)有效直接地應用(yong)三維(wei)點云數據。
隨著(zhu)無人(ren)車、機器人(ren)等(deng)領(ling)域(yu)的興(xing)起，將深度(du)學(xue)習(xi)應(ying)用于點(dian)云(yun)處理也取得了(le)很多(duo)極(ji)具(ju)啟(qi)發意義的成果，這些成果大部分都集(ji)中(zhong)在點(dian)云(yun)的識別(bie)(bie)、檢測等(deng)領(ling)域(yu)，在點(dian)云(yun)配(pei)準、三維重建等(deng)領(ling)域(yu)仍鮮(xian)少涉(she)及(ji)，雖有(you)個別(bie)(bie)工作取得了(le)一(yi)定(ding)進展，但總體來說深度(du)學(xue)習(xi)尚(shang)未在相關領(ling)域(yu)取得決定(ding)性的突破(po)。
近日，百(bai)度(du)(du)(du)Apollo的(de)(de)(de)(de)工程師提(ti)出了一種基于(yu)深度(du)(du)(du)學習的(de)(de)(de)(de)端到端的(de)(de)(de)(de)點(dian)云拼(pin)接網(wang)絡DeepVCP，不同于(yu)傳(chuan)統(tong)方法中(zhong)(zhong)僅使用(yong)幾何特(te)(te)征，DeepVCP在拼(pin)接過(guo)程中(zhong)(zhong)引入了語義(yi)特(te)(te)征自(zi)動篩選關鍵點(dian)。此外，不同于(yu)傳(chuan)統(tong)方法中(zhong)(zhong)查找幾何特(te)(te)征最相似的(de)(de)(de)(de)點(dian)作為同名點(dian)，DeepVCP僅評估(gu)幾何特(te)(te)征之間的(de)(de)(de)(de)相似度(du)(du)(du)，并根據相似度(du)(du)(du)生成(cheng)匹(pi)配(pei)概(gai)率(lv)，再根據匹(pi)配(pei)概(gai)率(lv)生成(cheng)同名點(dian)，最后算法僅依賴(lai)少量的(de)(de)(de)(de)穩定(ding)關鍵點(dian)進行匹(pi)配(pei)，不僅達到了和ICP家族使用(yong)全幀(zhen)點(dian)云匹(pi)配(pei)相等的(de)(de)(de)(de)精度(du)(du)(du)，還提(ti)升了匹(pi)配(pei)的(de)(de)(de)(de)穩定(ding)性。
11月26日，智東(dong)西公開(kai)課將聯合(he)百度(du)Apollo推出高精度(du)地圖(tu)公開(kai)課百度(du)Apollo專場，由百度(du)資(zi)深研發工(gong)程師盧維欣(xin)主講，主題為《利用深度(du)學習實現高精地圖(tu)的點云配準(zhun)》。
盧維欣老師將深入講解其在利用深度學習完成點云配準方面的研究成果，方法步驟及最終的精度驗證，給你帶來不一樣的啟發和學習體驗。
課程時間
時間：11月26日
地點：智東西公開課小程(cheng)序
課程詳情
主題：利用深度學習實現高精地圖的點云配準
講師；百度資深研發(fa)工(gong)程師盧維欣
提綱：
1、深度學習在點云數據處理中的應用現狀
2、點云配準的主要算法與方案對比
3、點云拼接網絡DeepVCP原理及實現
4、DeepVCP在(zai)不同自動駕駛數據集中的精度驗證(zheng)
講師介紹
盧維欣(xin)，百度資(zi)深研發(fa)工(gong)程師，2016 年加入百度，從事無人(ren)駕駛(shi)高(gao)精地圖和定位(wei)相關(guan)算(suan)法研發(fa)工(gong)作，發(fa)表計算(suan)機視覺頂會(hui)（CVPR，ICCV）論文兩(liang)篇。
入群路徑
本次(ci)課程我們(men)將設(she)置主講群(qun)，講師將親自入群(qun)交流。希望進入主講群(qun)與老師認識和交流的朋友，掃描(miao)海報下方二維碼添(tian)加智(zhi)東(dong)西公(gong)開(kai)課聯絡(luo)員(yuan)“睿睿（zhidxclassai）”為好(hao)友，添(tian)加時(shi)請(qing)備(bei)注(zhu)“姓(xing)名-公(gong)司-職位或姓(xing)名-學校-專業”，申請(qing)進入課程群(qun)交流。
社群規則
1、智東西社群堅持實名學習、交流和合作，入群后需要修改群昵稱為：姓名-公司-所在領域，違者踢群；
2、禁(jin)止在群內廣告(gao)和(he)發(fa)送二維碼等無關(guan)信息，違(wei)者踢(ti)群。
