HypLiLoc : Vers une régression de pose efficace avec la fusion hyperbolique

La relocalisation LiDAR joue un rôle crucial dans de nombreux domaines, notamment la robotique, la conduite autonome et la vision par ordinateur. La recherche LiDAR basée sur une base de données entraîne généralement des coûts élevés en termes de calcul et de stockage, et peut conduire à des estimations de pose globalement imprécises si la base de données est trop éparse. D'autre part, les méthodes de régression de pose prennent des images ou des nuages de points comme entrées et régressent directement les poses globales d'une manière bout-à-bout. Elles ne réalisent pas de correspondance avec une base de données et sont plus efficaces sur le plan computationnel que les techniques de recherche. Nous proposons HypLiLoc, un nouveau modèle pour la régression de pose LiDAR. Nous utilisons deux troncs bifurqués pour extraire respectivement des caractéristiques 3D et des caractéristiques de projection 2D. Nous considérons la fusion multimodale des caractéristiques dans les espaces euclidiens et hyperboliques afin d'obtenir des représentations de caractéristiques plus efficaces. Les résultats expérimentaux montrent que HypLiLoc atteint des performances d'état de l'art dans les jeux de données extérieurs et intérieurs. Nous avons également mené des études ablatives approfondies sur la conception du cadre, qui démontrent l'efficacité de l'extraction multimodale des caractéristiques et du plongement multiespace. Notre code est disponible à l'adresse suivante : https://github.com/sijieaaa/HypLiLoc