LifelongPR：基于样本重播和提示学习的持续点云地点识别
计算机视觉与模式识别
2025-08-12 v2 机器人学
摘要
点云地点识别（PCPR）决定 prebuilt 地图中点的地理位置，在自动驾驶、智能交通和增强现实等地球科学和机器人应用中发挥着关键作用。在实际大规模部署的地理定位系统中，PCPR模型必须持续获取、更新和积累知识以适应多样化和动态的环境，即所谓的持续学习（CL）能力。然而，现有的PCPR模型常常 suffer from灾�性遗忘，当适应新环境或传感器类型时，会导致对先前学习场景的性能显著下降，结果导致模型可扩展性差、维护成本增加和系统部署困难，削弱了PCPR的实用性。为此，我们提出了LifelongPR，一种 novel 持续学习框架，用于PCPR，有效提取和融合来自序列点云数据的知识。首先，为缓解知识丢失，我们提出了一种replay sample选择方法，根据每个数据集的信息量动态分配样本大小，并选择空间上具有最大代表性的样本。其次，为处理领域迁移，我们设计了一种基于提示学习的CL框架，采用轻量级提示模块和两阶段训练策略，实现特定于领域的特征适应，同时最小化遗忘。对大规模公共数据集和自采集数据集进行了全面实验，以验证所提方法的有效性。与最先进（SOTA）方法相比，我们的方法在mIR@1上提升6.50%，在mR@1上提升7.96%，F值降低8.95%。代码和预训练模型已公开提供于https://github.com/zouxianghong/LifelongPR。
引用
@article{arxiv.2507.10034,
title = {LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning},
author = {Xianghong Zou and Jianping Li and Zhe Chen and Zhen Cao and Zhen Dong and Qiegen Liu and Bisheng Yang},
journal= {arXiv preprint arXiv:2507.10034},
year = {2025}
}