基于特征混合和对比约束加速训练的快速无地图激光雷达定位
计算机视觉与模式识别
2024-10-02 v1
摘要
Map-free LiDAR 定位系统通过直接从 raw point clouds 预测传感器位置和 orientation 来实现对已知环境中准确的定位，从而消除对大型地图和描述符的需求。然而，长时间的训练时间阻碍了对新环境的快速适应。为此，我们提出 FlashMix，该方法使用冻结的 scene-agnostic backbone 提取 local point descriptors，随后通过 MLP mixer 聚合这些描述符以预测 sensor pose。使用 local descriptors 的 buffer 用于加速训练，速度提升数个数量级，结合 metric learning 或 contrastive loss 进行正则化以提高 performance 和收敛。我们在 various LiDAR 定位基准测试上评估了 FlashMix，检查了不同的 regularizations 和 aggregators，展示了其在 real-world 场景中快速和准确 LiDAR 定位的有效性。代码已公开：https://github.com/raktimgg/FlashMix
引用
@article{arxiv.2410.00702,
title = {FlashMix: Fast Map-Free LiDAR Localization via Feature Mixing and Contrastive-Constrained Accelerated Training},
author = {Raktim Gautam Goswami and Naman Patel and Prashanth Krishnamurthy and Farshad Khorrami},
journal= {arXiv preprint arXiv:2410.00702},
year = {2024}
}