LiDAR-basierte Lokalisierung mittels universeller Kodierung und gedächtnisgestützter Regression

Visualisierungsortierung ist für zahlreiche Anwendungen in der Robotik und Computer Vision von entscheidender Bedeutung. Die absolute Pose-Regression führt die Lokalisierung durch Kodierung von Szenenmerkmalen gefolgt von einer Pose-Regression durch und hat bereits beeindruckende Ergebnisse bei der Lokalisierung erzielt. Sie ermöglicht die Wiederherstellung von 6-DoF-Posen allein aus aufgenommenen Szenendaten. Derzeitige Methoden leiden jedoch darunter, dass sie bei jeder Szenenänderung erneut mit spezifischen Quelldaten trainiert werden müssen, was hohe Rechenkosten verursacht, Datenschutzverletzungen mit sich bringt und zu unzuverlässiger Lokalisierung führt, da nicht alle Daten gespeichert werden können. In diesem Paper stellen wir ein neuartiges, auf LiDAR basierendes Netzwerk zur absoluten Pose-Regression mit universeller Kodierung vor, um überflüssiges Neutrainieren und den Verlust von Datensicherheit zu vermeiden. Insbesondere schlagen wir die Verwendung einer universellen Merkmalskodierung für verschiedene Szenen vor. Es ist lediglich notwendig, den Regressor neu zu trainieren, um eine höhere Effizienz zu erreichen, wobei das Training unter Verwendung der kodierten Merkmale ohne Zugriff auf die ursprünglichen Quelldaten erfolgt, was den Datenschutz gewährleistet. Anschließend stellen wir einen Gedächtnis-Regressionsansatz vor, der eine speichergesteuerte Regression ermöglicht, wobei die Anzahl der versteckten Einheiten im Regressor die Speicherkapazität bestimmt. Dies erlaubt es, die obere Schranke der Kapazität abzuleiten und zu verbessern, um eine zuverlässigere Lokalisierung zu ermöglichen. Darüber hinaus kann die Struktur des Regressors angepasst werden, um unterschiedliche Speicherkapazitätsanforderungen je nach Szenengröße zu erfüllen. Umfassende Experimente an Outdoor- und Indoor-Datensätzen bestätigen die oben dargelegten Analysen und demonstrieren die Wirksamkeit des vorgeschlagenen Ansatzes.