Localisation basée sur LiDAR utilisant une encodage universel et une régression consciente de la mémoire

La localisation visuelle est essentielle à de nombreuses applications en robotique et en vision par ordinateur. La régression de pose absolue permet la localisation en codant d’abord les caractéristiques de la scène, puis en effectuant une régression de pose, une approche qui a obtenu des résultats remarquables dans le domaine de la localisation. Elle permet de récupérer des poses à 6 degrés de liberté (6-DoF) à partir uniquement des données capturées de la scène. Toutefois, les méthodes actuelles souffrent du besoin de re-entraînement avec des données sources spécifiques chaque fois que la scène change, ce qui entraîne des coûts computationnels élevés, une exposition des données privées et une localisation peu fiable en raison de l’impossibilité de mémoriser l’intégralité des données. Dans cet article, nous proposons un nouveau réseau de régression de pose absolue basé sur LiDAR, intégrant un encodage universel, afin d’éviter les re-entraînements redondants et la perte de confidentialité des données. Plus précisément, nous introduisons un encodage de caractéristiques universel adapté à différentes scènes. Seul le régresseur doit être re-entraîné, ce qui améliore considérablement l’efficacité, et l’entraînement s’effectue à partir des caractéristiques encodées sans nécessiter les données sources, préservant ainsi la confidentialité des données. Ensuite, nous proposons un régresseur à mémoire, conçu pour une régression consciente de la mémoire, où le nombre d’unités cachées dans le régresseur détermine sa capacité de mémorisation. Cette architecture permet d’établir et d’améliorer la borne supérieure de cette capacité, garantissant ainsi une localisation plus fiable. Il devient également possible d’ajuster la structure du régresseur pour s’adapter à des exigences variables de capacité de mémorisation selon la taille de la scène. Des expériences étendues sur des jeux de données extérieurs et intérieurs ont validé les analyses précédentes et démontré l’efficacité de la méthode proposée.