摘要
远距离室外激光雷达（LiDAR）点云的配准对于拓展协同自动驾驶车辆的三维感知能力至关重要，然而由于重叠区域较小且观测点云密度差异巨大，该任务极具挑战性。本文提出一种分组对比学习（Group-wise Contrastive Learning, GCL）框架，用于提取与点云密度无关的几何特征，以实现远距离室外LiDAR点云的高效配准。通过理论分析与实验验证，我们证明：为训练出具有密度不变性的特征提取器，对比学习中的正样本对必须满足独立同分布（i.i.d.）假设。基于此结论，我们设计了一种简单而有效的训练策略，强制同一空间位置的多个点云（称为正样本组）的特征表示趋于一致，从而自然规避了传统成对采样引入的偏差，更好地满足i.i.d.原则。所提出的全卷积特征提取器在性能和密度不变性方面均优于当前最优方法，在KITTI和nuScenes基准数据集上的远距离场景配准召回率分别提升了40.9%和26.9%。代码已开源，地址为：https://github.com/liuQuan98/GCL。