i3dLoc：对不一致环境条件鲁棒的图像到距离跨域定位

我们提出一种在室内外场景中相对于点云地图定位单相机的方法。该问题具有挑战性，因为局部不变特征对应关系在图像与 3D 域之间不一致。由于方法必须处理各种环境条件（如光照、天气和季节变化），问题更具挑战性。我们的方法可通过提取跨域对称位置描述子将等距柱状图像与 3D 距离投影进行匹配。我们的核心见解是：从有限数据样本中保留条件不变的 3D 几何特征，同时通过设计的生成对抗网络（GAN）消除与条件相关的特征。基于此类特征，我们进一步设计球卷积网络以学习视角不变的对称位置描述子。我们在大量自采集数据集上评估了我们的方法，这些数据集涉及长期（外观条件变化）、大规模（高达 $2km$ 结构/非结构化环境）和多层（四层受限空间）。我们的方法以约 $3$ 倍于其他当前最优方法的位置检索率（针对不一致环境）和 above $3$ 倍的在线定位精度超越它们。为凸显我们方法的泛化能力，我们还评估了跨不同数据集的识别。借助单一训练模型，i3dLoc 可在随机条件下展示可靠的视觉定位。