基于图像的重定位与对齐用于动态水下环境的长期监测
机器人学
2025-12-03 v2 计算机视觉与模式识别
摘要
有效监测水下生态系统对于追踪环境变化、指导保护工作以及确保长期生态系统健康至关重要。然而，由于水下图像的复杂性，使用机器人平台自动化水下生态系统管理仍然面临挑战，这对传统的视觉定位方法构成了重大困难。我们提出了一种集成管道，结合了视觉地点识别（VPR）、特征匹配和基于视频图像派生图像的图像分割。该方法能够稳健地识别重复访问的区域、估计刚体变换，并进行下游的生态系统变化分析。此外，我们引入了 SQUIDLE+ VPR 基准——第一个大规模水下 VPR 基准，旨在利用来自多个机器人平台的广泛非结构化数据集，涵盖从数天到数年的时间间隔。该数据集包含多样化的轨迹、任意重叠以及在不同环境条件下（包括深度、光照和浊度差异）捕获的多样海底类型。我们的代码可在以下地址获取：https://github.com/bev-gorry/underloc
引用
@article{arxiv.2503.04096,
title = {Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments},
author = {Beverley Gorry and Tobias Fischer and Michael Milford and Alejandro Fontan},
journal= {arXiv preprint arXiv:2503.04096},
year = {2025}
}