S-BEVLoc：基于BEV的大规模LiDAR全局定位自监督框架
计算机视觉与模式识别
2025-09-12 v1
摘要
LiDAR-based全局定位是同时定位与制图（SLAM）的关键组件，有助于闭环和重新定位。当前方法依赖于来自GPS或SLAM里程计的 ground-truth 位姿来监督网络训练。尽管这些有监督方法取得了显著成功，但获取高精度的 ground-truth 位姿需要大量成本和工作。本文中，我们提出S-BEVLoc，一个基于鸟瞰视图（BEV）的自监督框架，用于LiDAR全局定位，无需 ground-truth 位姿，并且具有高度可扩展性。我们通过利用以关键点为中心的BEV补丁间已知地理距离来构建训练三元组。采用卷积神经网络（CNN）提取局部特征，并使用NetVLAD聚合全局描述子。此外，我们引入SoftCos loss以增强从生成的三元组中学习。在大规模KITTI和NCLT数据集上的实验结果表明，S-BEVLoc在地点识别、闭环和全局定位任务中达到了最佳性能，同时提供了那些需要额外工作的有监督方法所无法提供的可扩展性。
引用
@article{arxiv.2509.09110,
title = {S-BEVLoc: BEV-based Self-supervised Framework for Large-scale LiDAR Global Localization},
author = {Chenghao Zhang and Lun Luo and Si-Yuan Cao and Xiaokai Bai and Yuncheng Jin and Zhu Yu and Beinan Yu and Yisen Wang and Hui-Liang Shen},
journal= {arXiv preprint arXiv:2509.09110},
year = {2025}
}