LEAR：用于事件到 LiDAR 定位的学习边缘感知表示
计算机视觉与模式识别
2026-03-03 v1 机器人学
摘要
事件相机提供高时间分辨率的感知，在高速运动和恶劣光照条件下保持可靠性，使其成为在 GPS 禁区和视觉受损环境中从 LiDAR 点云进行定位的有前景的技术。然而，将稀疏、非同步的事件与密集 LiDAR 地图对齐本质上是 Ill-posed 的，因为直接的对应估计受制于模态差距。我们提出了 LEAR，一种双任务学习框架，联合估计边缘结构和稠密事件深度流场，以桥接感知模态之间的鸿沟。与将边缘视作后处理辅助手段不同，LEAR 通过一种跨模态融合机制将模态不变的几何线索注入运动表示中，并通过迭代细化策略在多个更新步骤上强制两项任务之间的相互一致性。这种协同作用产生能够通过透视点-三点 (PnP) 求解器实现更稳健和准确姿态恢复的边缘感知、深度对齐流场。在几个流行且具挑战性的数据集上，LEAR 在性能上优于最佳先前方法。源代码、训练好的模型和演示视频已公开于在线平台。
引用
@article{arxiv.2603.01839,
title = {LEAR: Learning Edge-Aware Representations for Event-to-LiDAR Localization},
author = {Kuangyi Chen and Jun Zhang and Yuxi Hu and Yi Zhou and Friedrich Fraundorfer},
journal= {arXiv preprint arXiv:2603.01839},
year = {2026}
}