利用语义引导重定位与跨视图因子图优化的森林在线 6DoF 全局定位

本文提出了 FGLoc6D，一种通过利用深度语义引导重定位和跨视图因子图优化，实现地面机器人在森林环境中稳健全局定位与在线 6DoF 位姿估计的新方法。该方法解决了用于位姿估计的航空与地面数据对齐挑战，这对于 GPS 退化环境中的精确点对点导航至关重要。通过将两个视角的信息集成到因子图框架中，我们的方法有效地估计了机器人的全局位置和方向。此外，我们通过引入语义引导回归损失，增强了森林中度量定位中深度学习关键点的可重复性。该损失促使模型更加关注木质结构（例如树干），这些结构作为稳定且可区分的特征，从而提高了关键点的一致性并增加了全局配准的成功率，我们将此过程称为重定位。重定位模块以及随时间推移由里程计和地空因子填充的因子图结构，使得在茂密树冠下进行全局定位成为可能。我们通过在三种森林场景中的大量实验验证了该方法的性能，展示了其全局定位能力以及在这些挑战性环境中相对于其他 SOTA 方法在准确性和稳健性上的优越性。实验结果表明，我们提出的方法能够实现具有有界定位误差的无漂移定位，确保了机器人在茂密森林中安全可靠的导航。