统一局部与全局多模态特征用于受混叠和低纹理环境中的地点识别
计算机视觉与模式识别
2024-10-10 v1 机器人学
摘要
感知混叠和弱纹理是地点识别任务中的重要挑战，阻碍了同时定位与地图构建（SLAM）系统的性能。本文提出了一种新型模型，称为UMF（即Unifying Local and Global Multimodal Features），其主要功能包括：1）通过视觉与LiDAR特征之间的跨注意力块实现多模态性；2）包含一个重排阶段，基于局部特征匹配对使用全局表示检索的前k个候选者进行重新排序。我们的实验，特别是在类似行星模拟环境中捕获的序列上，显示UMF在这些具有挑战性的混叠环境中显著优于以往基准方法。由于本工作旨在提高SLAM在各种情况下的可靠性，我们还探索了其在广泛使用的RobotCar数据集上的性能。代码和模型均可在https://github.com/DLR-RM/UMF获取。
引用
@article{arxiv.2403.13395,
title = {Unifying Local and Global Multimodal Features for Place Recognition in Aliased and Low-Texture Environments},
author = {Alberto García-Hernández and Riccardo Giubilato and Klaus H. Strobl and Javier Civera and Rudolph Triebel},
journal= {arXiv preprint arXiv:2403.13395},
year = {2024}
}
备注
Accepted submission to International Conference on Robotics and Automation (ICRA), 2024