OverlapMamba：面向 LiDAR 基于点云的地点识别的新型位移状态空间模型
计算机视觉与模式识别
2024-05-14 v1 人工智能
摘要
地点识别是实现自动系统独立决策与安全运行的基础，也是循环闭环检测与全局定位等 SLAM 任务中的关键技术。以往方法利用平凡的点云表示作为输入，采用基于卷积神经网络（CNN）或变换器架构的深度学习 LiDAR 基于点云地点识别（LPR）方法。然而，最近提出的 Mamba 深度学习模型结合状态空间模型（SSM）在长序列建模方面具有巨大的潜力。因此，我们开发了 OverlapMamba，一种新型地点识别网络，代表输入范围视图（RV）为序列。我们以一种新颖方式采用随机重构方法构建位移状态空间模型，以压缩视觉表示。我们在三个不同的公开数据集上进行评估，方法能够有效检测闭环，即使在以不同方向遍历之前访问的位置也能表现出鲁棒性。依据原始范围视图输入，该方法在时间复杂性与速度上优于典型的 LiDAR 和多视角组合方法，表明其具备强大的地点识别能力和实时效率。
引用
@article{arxiv.2405.07966,
title = {OverlapMamba: Novel Shift State Space Model for LiDAR-based Place Recognition},
author = {Qiuchi Xiang and Jintao Cheng and Jiehao Luo and Jin Wu and Rui Fan and Xieyuanli Chen and Xiaoyu Tang},
journal= {arXiv preprint arXiv:2405.07966},
year = {2024}
}