面向分层定位的概率化视觉地点识别

视觉定位技术通常包含分层定位流程,其中视觉地点识别模块作为粗定位器用于初始化位姿精化阶段。尽管改进位姿精化步骤是近期许多研究的焦点,但大多数关于粗定位阶段的工作集中于如增强外观变化不变性等改进,而未改善可能宽松的误差容限。在本文中,我们提出两种方法,将用于视觉地点识别的图像检索技术适配到用于定位的贝叶斯状态估计公式。我们证明使用我们的方法可显著提升粗定位阶段的定位精度,同时在严重外观变化下保持最先进的性能。在Oxford RobotCar数据集上的大量实验表明,我们的方法在图像序列定位的精确率-召回率性能上优于可比的最先进方法。此外,我们提出的方法提供了根据上下文缩放定位延迟以实现这些改进的灵活性。改进后的初始定位估计为提升整体定位性能以及利用该改进空间先验的改进位姿精化技术开辟了可能。