什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

CVPR 2026 Highlight | 超越传统检索方法!我们的激光雷达重定位方法在精度和效率上双丰收

在自动驾驶场景中,车辆进入地下车库或隧道等GPS信号缺失区域时,需要依赖激光雷达进行重定位,即仅凭一帧点云片段估计出自己在全球坐标系中的6自由度位姿。目前主流的“检索-配准”范式虽然精度可达分米级,但其存储和计算压力随场景规模急剧膨胀;而基于神经网络的场景坐标回归(SCR)方法虽然响应迅速,但其精度通常仅在亚米级且对角度敏感。如何在保持高效率的同时提升精度,成为该领域亟待解决的难题。
01技术背景与现有方案痛点
现有的重定位方案主要分为两类:一是传统的“检索-配准”方法,其精度较高但需要显式存储地图特征,难以应对大规模场景的存储与计算挑战;二是场景坐标回归(SCR)方法,它利用神经网络直接预测位姿,具有十毫秒级的快速响应能力和零地图存储优势。然而,SCR方法长期以来受限于角度敏感性问题,其精度通常停留在米级到亚米级,明显落后于“检索-配准”方法。
02LEADER框架的核心创新
  1. 柱面投影与循环稀疏卷积
    针对自动驾驶中常见的偏航角旋转问题,该方法将点云进行柱面投影,并结合循环稀疏卷积处理角度衔接,实现对偏航角不变的特征表示。同时,通过检测地面点将点云校正至水平,提升了对俯仰角和横滚角的鲁棒性。
  2. TRR损失(Truncated Relative Reliability Loss)
    为了解决点云中“坏点”干扰精度的问题,该方法让模型在预测世界坐标的同时预测每个点的“置信度”。通过TRR损失机制,模型能够自适应地降低难以预测点的训练权重,并在RANSAC阶段优先选择高置信度点进行位姿拟合,从而有效提升了定位精度。
03实验结果:精度与效率的双丰收
方法平均定位误差 (m)5米内失败率 (%)中位数误差 (m)
APR (现有方法)1.19--
SCR (现有方法)1.51--
RING/RING++ (检索-配准)>0.28>7.0>0.21
LEADER (本文方法)0.280.280.21

NCLT数据集上不同方法的定位性能对比

在NCLT数据集上的实验显示,LEADER的平均定位精度从SCR的1.51米提升至0.31米,大幅超越了现有的隐式神经网络方法。与具备旋转鲁棒性的“检索-配准”方法RING/RING++相比,LEADER在XY平面上的平均定位精度达到0.28米,5米内的失败率仅为0.28%,不到RING/RING++失败率的1/25。消融实验进一步证明,TRR损失使模型预测出的高精度点比例翻倍,有效提升了整体定位性能。
04研究团队与总结
该研究由厦门大学信息学院空间感知与计算实验室(ASCLab)与布里斯托大学合作完成,第一作者为厦门大学2023级硕士生吴建实,通讯作者为敖晟助理教授。LEADER框架通过简单的核心组件解决了激光雷达重定位中精度与效率难以兼得的痛点,证明了在无需完整记忆所有内容的情况下,让模型学会“有所取舍”能带来更优的性能表现。

评论

评论区空态插画

当前文章无评论,是时候发表评论了