面向持续航空自主性：基于动态环境中连续视觉地点识别的几何记忆管理
机器人学
2026-04-13 v1 计算机视觉与模式识别
机器学习
摘要
在变化环境条件下实现稳健的地理定位是长期航空自主性的关键。虽然视觉地点识别 (VPR) 模型在空中视图匹配训练域时表现良好，但在序列任务中适应分布变化时会触发灾难性遗忘。现有的持续学习 (CL) 方法在此场景下常常失败，因为地理特征 exhibits 严重的类内变异。本文将航空 VPR 建模为基于任务的域递增学习 (DIL) 问题，提出一种新型异构记忆框架。为尊重严格的 onboard 存储限制，我们提出的“Learn-and-Dispose”管道将地理知识解耦为静态卫星锚点（保存全局几何先验）和动态经验重放缓冲区（保留域特定特征）。我们引入空间约束分配策略，基于样本难度或特征空间多样性优化缓冲区选择。为facilitate系统atic评估，我们提供了三个评估准则和来自21个多样化任务序列的全面基准。广泛实验表明，我们的架构显著提升了空间泛化能力；我们的多样性驱动缓冲区选择在知识保留方面显著优于随机基线（提升7.8%）。与在非结构化环境中失败的类均保留方法不同，最大化结构多样性实现了更优的塑性-稳定性平衡，确保在随机化序列中的order-agnostic鲁棒性。这些结果证明，维护结构特征覆盖对于解决持续航空自主性中的灾难性遗忘更为关键。
引用
@article{arxiv.2604.09038,
title = {Towards Lifelong Aerial Autonomy: Geometric Memory Management for Continual Visual Place Recognition in Dynamic Environments},
author = {Xingyu Shao and Zhiqiang Yan and Liangzheng Sun and Mengfan He and Chao Chen and Jinhui Zhang and Chunyu Li and Ziyang Meng},
journal= {arXiv preprint arXiv:2604.09038},
year = {2026}
}