AGL-NET：具有变化尺度的空地跨模态全局定位
计算机视觉与模式识别
2024-10-10 v2
摘要
我们提出了 AGL-NET，一种使用 LiDAR 点云和卫星地图进行全局定位的新型基于学习的方法。AGL-NET 解决了两个关键挑战：弥合图像与点模态之间的表示差距以实现稳健的特征匹配，以及处理全局视图与局部视图之间固有的尺度差异。为了应对这些挑战，AGL-NET 利用具有新颖两阶段匹配设计的统一网络架构。第一阶段直接从原始传感器数据中提取信息丰富的神经特征并进行初始特征匹配。第二阶段通过提取信息丰富的骨架特征并引入新颖的尺度对齐步骤来修正 LiDAR 与地图数据之间的尺度变化，从而细化该匹配过程。此外，一种新颖的尺度与骨架损失函数引导网络学习尺度不变的特征表示，消除了对卫星地图进行预处理的需要。这显著提高了在未知地图尺度场景下的实际适用性。为了进行严格的性能评估，我们引入了一个在 CARLA 模拟器中精心设计的数据集，专门用于度量定位的训练与评估。代码和数据可在 https://github.com/rayguan97/AGL-Net 获取。
引用
@article{arxiv.2404.03187,
title = {AGL-NET: Aerial-Ground Cross-Modal Global Localization with Varying Scales},
author = {Tianrui Guan and Ruiqi Xian and Xijun Wang and Xiyang Wu and Mohamed Elnoor and Daeun Song and Dinesh Manocha},
journal= {arXiv preprint arXiv:2404.03187},
year = {2024}
}