论文阅读：Robust Self-Supervised LiDAR Odometry Via Representative Structure Discovery and 3D Inherent Error Modeling(RAL 2022& ICRA2022)

Motivation

激光雷达在自动驾驶中是个必要的传感器，但是激光雷达由于自身数据的稀疏性和信噪比的问题会给运动估计的鲁棒性带来比较大的挑战，如下图，即使是两帧相邻的激光雷达点云，也会由于动态物体和错位带来一个误匹配，这种误匹配对于激光雷达里程计是非常致命的，所以如何发现并且减轻这些不可靠区域的权重是一个值得研究的问题。

另一方面，虽然基于3D CNN的模型已经证明了能在一定程度上解决上述问题，但是现在有的基于3D CNN的自监督激光雷达里程计并没有明确的设计来强制网络自适应地聚焦于可靠区域，并且自监督方法通常利用扫描之间的几何一致性来实现自我运动估计。如上图所示，几何一致性在实践中可能无法完全保持。并且现有的大多数方法都是通过估计不确定性标量从而在类别级别上建模并优化固有误差。但是如下图所示，固有误差大小不仅在不同类别中不同，而且在不同方向上也不同，所以需要一个更细致的固有误差模型来区分训练过程中不同方向上的不确定性差异。