低成本、高效率：基于 Matryoshka Representation Learning 的葡萄园 LiDAR 位置识别
计算机视觉与模式识别
2026-04-24 v2 人工智能
机器学习
机器人学
摘要
由于农业环境的非结构化特性和缺乏显著标志物，在其中进行定位具有挑战性。尽管农业场景已在目标分类与分割的背景下得到研究，但在当前技术水平下，移动机器人的位置识别任务并非易事。在本研究中，我们提出了 MinkUNeXt-VINE，一种轻量级的深度学习方法，得益于其预处理和 Matryoshka Representation Learning 多损失策略，它在葡萄园环境中超越了现有方法。我们的方法优先考虑在低成本、稀疏 LiDAR 输入和低维输出下提升性能，以确保在实时场景中的高效率。此外，我们在各种评估案例和使用不同 LiDAR 传感器的两个广泛长期葡萄园数据集上对结果进行了全面的消融研究。结果表明了该方法所产生的折中输出的效率，及其在低成本和低分辨率输入数据上的稳健性能。代码已公开以供复现。
引用
@article{arxiv.2601.18714,
title = {Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning},
author = {Judith Vilella-Cantos and Mauro Martini and Marcello Chiaberge and Mónica Ballesta and David Valiente},
journal= {arXiv preprint arXiv:2601.18714},
year = {2026}
}