U-ViLAR：基于可微关联与配准的自主驾驶不确定性感知视觉定位
计算机视觉与模式识别
2026-04-28 v2 机器人学
摘要
使用视觉信息进行精确定位是一项关键且具有挑战性的任务，尤其是在GNSS信号质量受到附近建筑物和施工地点显著�化的城市环境中。这一问题凸显了在GNSS信号不可靠的场景中视觉定位技术的重要性。本文提出了U-ViLAR，一种 novel 不确定性感知视觉定位框架，用于解决这些挑战并实现基于高清地图或导航地图的自适应定位。具体而言，我们的方法首先从输入视觉数据中提取特征并将其映射到鸟瞰视图(BEV)空间，以增强与地图输入的空间一致性。随后，我们引入：a)感知不确定性引导的关联，缓解由感知不确定性导致的错误；b)定位不确定性引导的配准，减少由定位不确定性引入的错误。通过有效平衡关联的粗粒度大尺度定位能力与配准的细粒度精确定位能力，我们的方法实现了稳健且精确的定位。实验结果表明，我们的方法在多个定位任务中实现了最新性能。此外，我们的模型在大规模自动驾驶车队上进行了严格测试，并在各种具有挑战性的城市场景中展现出稳定的性能。
引用
@article{arxiv.2507.04503,
title = {U-ViLAR: Uncertainty-Aware Visual Localization for Autonomous Driving via Differentiable Association and Registration},
author = {Xiaofan Li and Zhihao Xu and Chenming Wu and Zhao Yang and Yumeng Zhang and Jiang-Jiang Liu and Haibao Yu and Fan Duan and Xiaoqing Ye and Yuan Wang and Shirui Li and Xun Sun and Ji Wan and Jun Wang},
journal= {arXiv preprint arXiv:2507.04503},
year = {2026}
}
备注
Vision Localization, Autonomous Driving, Bird's-Eye-View