UniLGL：面向FOV受限/全景LiDAR全局定位的统一学习方法
机器人学
2026-04-01 v3
摘要
现有的LGL方法通常仅考虑LiDAR观测数据的部分信息（如几何特征），或为特定均质LiDAR传感器设计，忽略了LGL中的统一性问题。本文提出一种统一的LGL方法，称为UniLGL，既实现了空间统一性和材料统一性，又实现了传感器类型统一性。本文的核心思想是将包含几何信息和材料信息的完整点云编码为一对BEV图像（即空间BEV图像和强度BEV图像）。设计了一种端到端的多BEV融合网络，以提取统一特征，使UniLGL具备空间和材料的统一性。为确保异构LiDAR传感器上的鲁棒LGL，本文引入一种视角不变性假设，取代了现有LPR网络中常用的平移等变性假设，监督UniLGL在全局描述符和局部特征表示中实现传感器类型的统一性。最后，根据2D BEV图像上局部特征与点云之间的映射关系，推导出一种鲁棒的全局姿态估计器，可在SE(3)上确定全局姿态的最小值，而无需额外的配准。为验证所提统一LGL方法的有效性，本文在真实环境中进行了广泛的基准测试，结果表明，与其他最先进的LGL方法相比，UniLGL显著具有竞争力。此外，UniLGL已部署在多种平台上，包括大型卡车和灵活的微型空中飞行器（MAV），以实现港口和森林环境中的高精度定位与制图，以及多MAV协同探索，展示了UniLGL在工业和野外场景中的应用前景。
引用
@article{arxiv.2507.12194,
title = {UniLGL: Learning Uniform Place Recognition for FOV-limited/Panoramic LiDAR Global Localization},
author = {Hongming Shen and Xun Chen and Yulin Hui and Zhenyu Wu and Wei Wang and Qiyang Lyu and Tianchen Deng and Danwei Wang},
journal= {arXiv preprint arXiv:2507.12194},
year = {2026}
}