APR-Transformer：基于绝对位姿回归的复杂环境定位初始位姿估计
机器人学
2025-05-15 v1 计算机视觉与模式识别
摘要
精确的初始化对定位算法的性能起着至关重要的作用，尤其是在机器人、自动驾驶和计算机视觉领域。定位精度差通常是不准确的初始位姿导致的，这在依赖 GPS 信号进行初始化的 GNSS 拒止环境中尤为明显。近年来，利用深度神经网络进行位姿回归在精度和鲁棒性方面取得了显著提升，特别是在估计复杂空间关系和朝向方面。在本文中，我们引入了 APR-Transformer，一种受最先进方法启发的模型架构，它使用图像或 LiDAR 数据预测绝对位姿（3D 位置和 3D 朝向）。我们证明，我们提出的方法在 Radar Oxford Robot-Car 和 DeepLoc 等既有基准数据集上取得了最先进的性能。此外，我们将实验扩展到包含我们定制的复杂 APR-BeIntelli 数据集。另外，我们通过在自动驾驶测试车上实时部署模型，验证了我们的方法在 GNSS 拒止环境中的可靠性。这展示了我们方法的实用可行性和有效性。源代码可在：https://github.com/GT-ARC/APR-Transformer 获取。
引用
@article{arxiv.2505.09356,
title = {APR-Transformer: Initial Pose Estimation for Localization in Complex Environments through Absolute Pose Regression},
author = {Srinivas Ravuri and Yuan Xu and Martin Ludwig Zehetner and Ketan Motlag and Sahin Albayrak},
journal= {arXiv preprint arXiv:2505.09356},
year = {2025}
}
备注
8 pages with 6 figures