通过多相机系统中地点特定子选择改善最坏情况视觉定位覆盖

6-DoF 视觉定位系统利用根植于 3D 几何的原理性方法,将图像准确估计相机位姿至地图。当前技术使用分层流水线及学习的 2D 特征提取器来改善可扩展性与性能。然而,尽管在典型的 [email protected] 类指标上有所提升,这些系统因其在‘最差’性能区域——即在特定所需误差容限下提供不足召回率的地点——而在如自动驾驶车辆等现实应用中效用有限。在此我们研究使用‘地点特定配置’的效用,其中地图被分割为若干地点,每个地点拥有其自身用于调节位姿估计步骤的配置,此处即在多相机系统中选择一台相机。在 Ford AV 基准数据集上,我们展示了相比现成流水线大幅改善的最坏情况定位性能——将在特定误差容限下低召回率的数据集比例最小化,同时整体定位性能也得以提升。我们提出的方法尤其适用于自动驾驶车辆部署的众包模式,即一支 AV 车队定期遍历已知路线。