HypLiLoc: Towards Effective LiDAR Pose Regression with Hyperbolic Fusion

要約

タイトル：HypLiLoc: ハイパーボリック融合を用いた効果的なLiDARポーズ回帰へ向けて

要約：

– LiDARリローカライゼーションは、ロボット工学、自律走行、コンピュータビジョンを含む多くの分野で重要な役割を担っている。
– データベースからのLiDARベースの検索は、通常高い計算ストレージコストを伴い、データベースが十分に分散している場合にはグローバルに不正確な位置推定を導くことができる。
– 一方、ポーズ回帰法は画像やポイントクラウドを入力とし、エンドツーエンドの方法でグローバルなポーズを直接回帰する。 データベースの照合を行わず、回復技術よりも計算効率が高い。
– 我々はHypLiLocという新しいLiDARポーズ回帰モデルを提案する。2つの分岐したバックボーンを使用し、3Dフィーチャーと2D投影フィーチャーをそれぞれ抽出する。 Euclidean と hyperbolic 空間の両方でマルチモーダル特徴融合を考慮して、より効果的な特徴表現を得る。
– 実験結果は、HypLiLocが屋外および屋内データセットの両方で最先端の性能を発揮することを示している。 また、フレームワーク設計についても包括的な除去実験を行い、マルチモーダル特徴抽出とマルチスペース埋め込みの効果を検証している。
– コードはhttps://github.com/sijieaaa/HypLiLocで公開されています。

要約(オリジナル)

LiDAR relocalization plays a crucial role in many fields, including robotics, autonomous driving, and computer vision. LiDAR-based retrieval from a database typically incurs high computation storage costs and can lead to globally inaccurate pose estimations if the database is too sparse. On the other hand, pose regression methods take images or point clouds as inputs and directly regress global poses in an end-to-end manner. They do not perform database matching and are more computationally efficient than retrieval techniques. We propose HypLiLoc, a new model for LiDAR pose regression. We use two branched backbones to extract 3D features and 2D projection features, respectively. We consider multi-modal feature fusion in both Euclidean and hyperbolic spaces to obtain more effective feature representations. Experimental results indicate that HypLiLoc achieves state-of-the-art performance in both outdoor and indoor datasets. We also conduct extensive ablation studies on the framework design, which demonstrate the effectiveness of multi-modal feature extraction and multi-space embedding. Our code is released at: https://github.com/sijieaaa/HypLiLoc

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI