Recently, the learning-based LiDAR odometry has obtained robust estimation results in the field of mobile robot localization, but most of them are constructed based on the idea of supervised learning. In the network training stage, these supervised learning-based methods rely heavily on real pose labels, which is defective in practical applications. Different from these methods, a novel self-supervised LiDAR odometry, namely SSLO, is proposed in this article. The proposed SSLO only uses unlabeled point cloud data to train the three-view pose network to complete the robot localization task. Specifically, first, due to the sparseness and disorder of the original LiDAR point cloud, it is difficult to use deep convolutional neural networks for feature extraction. In this article, the spherical projection of the point cloud is used to convert the original point cloud into a regular vertex map. Then the vertex map obtained by the projection is used as the input of the neural network. Second, in the network training phase, SSLO uses multiple geometric losses for different situations of matching point clouds and introduces uncertainty weights when calculating the losses to reduce the interference of noise or moving objects in the scene. Last but not least, the proposed method is not only used in the simulation experiments based on the KITTI dataset and Apollo-SouthBay dataset but also applied to a real-world wheeled robot SLAM task. Extensive experimental results show that the proposed method has good performance in different environments.

最近，基于学习的激光雷达里程计在移动机器人定位领域取得了鲁棒的估计结果，但大多是基于监督学习的思想构建的。在网络训练阶段，这些基于监督学习的方法严重依赖真实的姿态标签，在实际应用中存在缺陷。与这些方法不同，本文提出了一种新的自监督 LiDAR 里程计，即 SSLO。所提出的 SSLO 仅使用未标记的点云数据来训练三视图位姿网络以完成机器人定位任务。具体来说，首先，由于原始LiDAR点云的稀疏性和无序性，很难使用深度卷积神经网络进行特征提取。在本文中，点云的球面投影用于将原始点云转换为规则的顶点图。然后将投影得到的顶点图作为神经网络的输入。其次，在网络训练阶段，SSLO针对匹配点云的不同情况使用多个几何损失，并在计算损失时引入不确定权重，以减少场景中噪声或移动物体的干扰。最后但同样重要的是，该方法不仅用于基于 KITTI 数据集和 Apollo-SouthBay 数据集的仿真实验，还应用于现实世界的轮式机器人 SLAM 任务。大量的实验结果表明，所提方法在不同环境下均具有良好的性能。然后将投影得到的顶点图作为神经网络的输入。其次，在网络训练阶段，SSLO针对匹配点云的不同情况使用多个几何损失，并在计算损失时引入不确定权重，以减少场景中噪声或移动物体的干扰。最后但同样重要的是，该方法不仅用于基于 KITTI 数据集和 Apollo-SouthBay 数据集的仿真实验，还应用于现实世界的轮式机器人 SLAM 任务。大量的实验结果表明，所提方法在不同环境下均具有良好的性能。然后将投影得到的顶点图作为神经网络的输入。其次，在网络训练阶段，SSLO针对匹配点云的不同情况使用多个几何损失，并在计算损失时引入不确定权重，以减少场景中噪声或移动物体的干扰。最后但同样重要的是，该方法不仅用于基于 KITTI 数据集和 Apollo-SouthBay 数据集的仿真实验，还应用于现实世界的轮式机器人 SLAM 任务。大量的实验结果表明，所提方法在不同环境下均具有良好的性能。SSLO针对匹配点云的不同情况使用多种几何损失，并在计算损失时引入不确定权重，以减少场景中噪声或移动物体的干扰。最后但同样重要的是，该方法不仅用于基于 KITTI 数据集和 Apollo-SouthBay 数据集的仿真实验，还应用于现实世界的轮式机器人 SLAM 任务。大量的实验结果表明，所提方法在不同环境下均具有良好的性能。SSLO针对匹配点云的不同情况使用多种几何损失，并在计算损失时引入不确定权重，以减少场景中噪声或移动物体的干扰。最后但同样重要的是，该方法不仅用于基于 KITTI 数据集和 Apollo-SouthBay 数据集的仿真实验，还应用于现实世界的轮式机器人 SLAM 任务。大量的实验结果表明，所提方法在不同环境下均具有良好的性能。