← 返回论文列表

配对CSLiDAR：用于跨源空地LiDAR位姿精化的高度分层配准
Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement

作者: Montana Hoover, Jing Liang, Tianrui Guan 等4人
arXiv: 2605.00634v1
分类: cs.RO, cs.CV
📝 论文摘要
我们提出了Paired-CSLiDAR（CSLiDAR），这是一个用于单次扫描位姿精化的跨源空地LiDAR基准数据集：在半径50米的空中作物范围内精化地面扫描位姿。该基准包含6个评估地点的12,683对地空配对，以及用于亚米级均方根误差（RMSE）评估的每扫描参考六自由度对齐。由于空中扫描捕获屋顶和树冠，而地面扫描捕获立面和树下冠层，这两种模态仅共享部分几何结构，主要是地形表面，这导致标准配准方法和学习对应模型收敛到度量不正确的局部最小值。我们提出了残差引导分层配准（RGSR），这是一种无需训练、仅基于几何的精化流程，通过高度分层的ICP、反向配准方向以及置信门控的"若更好则接受"选择机制，利用共享的地面平面。RGSR在包含9,012次扫描的主要基准上达到了86.0%的[email protected]米和99.8%的[email protected]米，优于置信门控级联的83.7%和GeoTransformer的76.3%。我们通过独立测量控制和轨迹一致性验证了基于RMSE的位姿选择，并表明在极端部分重叠情况下，添加傅里叶-梅林BEV提议可以降低RMSE，但同时增加实际位姿误差。数据集和代码正在准备公开发布。

📊 核心分析

🎯 研究动机
- 解决**跨源空地LiDAR点云** 在单次扫描位姿细化中的配准问题，因为空中扫描（屋顶、树冠）与地面扫描（立面、树下）仅共享**地形表面** 这一小部分几何，导致标准配准方法和学习模型易收敛到**度规错误局部极小值** - 现有**跨源配准** 方法在极低重叠（<20%）场景下表现不佳，缺乏专门针对**空地LiDAR** 的基准数据集和评估方法 - 研究背景：随着**空地协同感知** （如自动驾驶、城市建模）发展，需要高效鲁棒的**单扫描位姿细化** 技术，但实际数据中空中与地面视角差异大，**几何模态不匹配** 是核心挑战
🔧 核心方法
- 提出**残差引导分层配准(Residual-Guided Stratified Registration, RGSR)**，一个无需训练、仅依赖几何的细化流程 - 核心组件包括：**高度分层ICP(height-stratified ICP)**，根据高度将点云分层，仅利用共享的地面平面进行配准 - 采用**反向配准方向(reversed registration directions)** 和**置信门控的接受-若更优选择(confidence-gated accept-if-better selection)**，避免陷入局部最优 - 在**50米半径空中裁剪区内**，对地面扫描位姿进行细化，利用逐扫描的6自由度(6-DoF)参考对齐进行亚米级RMSE评估
💡 核心创新
- **首创性**：首次提出**跨源空地LiDAR单扫描位姿细化基准**，包含12,683对地面-空中点云对和6个评估场地，并公开数据集与代码 - **方法创新**：利用**高度分层策略** 显式提取共享地面平面，结合**反向配准方向** 和**置信门控机制**，在不使用任何训练数据或学习模型的情况下，显著提高极端部分重叠下的配准精度 - **效率与鲁棒性**：RGSR在主要基准（9,012扫描）上达到**86.0% [email protected]** 和**99.8% [email protected]**，优于置信门控级联（83.7%）和GeoTransformer（76.3%），且验证了**Fourier-Mellin BEV提议** 在极端部分重叠下虽降低RMSE但可能增加实际位姿误差，揭示了评估指标的局限性
🏆 总体贡献
- 为**跨源空地LiDAR配准** 领域提供了一个大规模、标准化的基准数据集和评估协议，促进后续研究 - 提出一种**无需训练、轻量级且鲁棒** 的几何细化方法RGSR，为实际应用（如无人机-地面机器人协同）提供有效解决方案 - 揭示了**传统配准指标** 在极端部分重叠下的不足，并通过独立控制测量和轨迹一致性验证了RMSE-based pose selection的有效性 - 开源数据集和代码，推动社区复现与改进