TReR：一种用于三维 LiDAR 地点识别的轻量级 Transformer 重排序方法
计算机视觉与模式识别
2023-05-30 v1
摘要
自动驾驶系统通常需要可靠的闭环检测以保证定位漂移最小化。近来，基于三维 LiDAR 的定位方法已采用基于检索的地点识别来高效寻找重访地点。然而，当部署于具有挑战性的真实场景时，地点识别模型变得更为复杂，其代价是高昂的计算需求。本工作从信息检索视角解决该问题，采用先检索后重排序的范式，其中由三维地点识别模型生成的初始闭环候选排序，由所提出的轻量级基于 Transformer 的重排序方法（TReR）重新排序。该方法仅依赖全局描述子，对地点识别模型无关。在 KITTI Odometry 数据集上进行的实验评估中，我们将 TReR 与 s.o.t.a. 重排序方法（如 alphaQE 和 SGV）比较，结果表明相较于 alphaQE 具有鲁棒性和高效性，而与 SGV 相比在鲁棒性和效率间提供了良好权衡。
引用
@article{arxiv.2305.18013,
title = {TReR: A Lightweight Transformer Re-Ranking Approach for 3D LiDAR Place Recognition},
author = {Tiago Barros and Luís Garrote and Martin Aleksandrov and Cristiano Premebida and Urbano J. Nunes},
journal= {arXiv preprint arXiv:2305.18013},
year = {2023}
}
备注
This preprint has been submitted to 26th IEEE International Conference on Intelligent Transportation Systems ITSC 2023