RaLF：基于光流的 LiDAR 地图中雷达全局与度量定位
机器人学
2024-11-05 v2 计算机视觉与模式识别
摘要
定位对自主机器人至关重要。尽管基于相机和 LiDAR 的方法已被广泛研究，但它们受不利光照和天气条件影响。因此，雷达传感器因其对这些条件的内在鲁棒性近来受到关注。本文中，我们提出 RaLF，一种基于深度神经网络的新方法，用于通过将雷达扫描定位到环境的 LiDAR 地图中，联合学习解决地点识别与度量定位。RaLF 由雷达与 LiDAR 特征编码器、生成全局描述的地点识别头，以及预测雷达扫描与地图间 3-DoF 变换的度量定位头组成。我们通过跨模态度量学习学习两种模态间的共享嵌入空间来解决地点识别任务。此外，我们通过预测像素级光流向将查询雷达扫描与 LiDAR 地图对齐来实现度量定位。我们在多个真实世界驾驶数据集上广泛评估了我们的方法，并显示 RaLF 在地点识别和度量定位上均达到最先进性能。而且，我们证明我们的方法能有效泛化到训练时所用之外的不同城市与传感器配置。我们在 http://ralf.cs.uni-freiburg.de 公开代码与训练模型。
引用
@article{arxiv.2309.09875,
title = {RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps},
author = {Abhijeet Nayak and Daniele Cattaneo and Abhinav Valada},
journal= {arXiv preprint arXiv:2309.09875},
year = {2024}
}