EdgeLPR：深度神经网络在 LiDAR 位置识别中的精度与性能权衡
计算机视觉与模式识别
2026-05-05 v1 人工智能
机器人学
摘要
位置识别是长期自主导航的关键，使循环闭合和一致的地图构建成为可能。虽然深度学习已提高了性能，但在资源受限的平台上部署此类模型仍具有挑战性。本文通过利用鸟瞰视图（BEV）表示，探索了针对 EdgeAI 的高效 LiDAR 基于位置的识别方法，以实现轻量级基于图像的网络。我们对代表性架构进行基准测试，采用统一的描述符方案（基于全局池化和线性投影），并在 FP32、FP16 和 INT8 量化下进行评估。实验结果揭示了准确性、鲁棒性与效率之间的权衡：FP16 在更低成本下可匹配 FP32，而 INT8 引入取决于架构的性能降低。总体而言，所呈现的结果为未来针对 Edge 部署的“用例感知”神经网络量化研究提供了强有力的基础。
引用
@article{arxiv.2605.02275,
title = {EdgeLPR: On the Deep Neural Network trade-off between Precision and Performance in LiDAR Place Recognition},
author = {Pierpaolo Serio and Hetian Wang and Zixiang Wei and Vincenzo Infantino and Lorenzo Gentilini and Lorenzo Pollini and Valentina Donzella},
journal= {arXiv preprint arXiv:2605.02275},
year = {2026}
}
备注
Accepted to CoDIT 2026