针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。
针对现有深度学习气象降尺度方法中网络结构单一、重建中间帧图像效果不佳等问题,提出了一种用于时空降尺度的混合专家算法(spatiotemporal downscaling using mixture of experts,STDMoE)。STDMoE首次引入混合专家网络对气象数据进行...
详细信息
针对现有深度学习气象降尺度方法中网络结构单一、重建中间帧图像效果不佳等问题,提出了一种用于时空降尺度的混合专家算法(spatiotemporal downscaling using mixture of experts,STDMoE)。STDMoE首次引入混合专家网络对气象数据进行时空降尺度处理。具体而言,算法用4个专家从给定低频帧中提取空间特征信息,用3个门控网络生成硬权重与低频帧特征相乘获得3个中间特征。相比其他时间降尺度方案,增加了特征的时空相关性,更有利于中间帧图像重建。在法国气象局提供的开放性雷达降水数据集上进行测试,发现STDMoE模型在各项性能指标上均优于主流的U-Net网络和传统插值方法,进一步利用LFC模块对模型优化得到了更佳的效果。
暂无评论