← 返回论文列表

Meridian：面向非城市环境的跨视角地理定位的度量-语义基元匹配
Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments

作者: Mason Peterson, Qingyuan Li, Yixuan Jia 等7人
arXiv: 2606.06312v1
分类: cs.RO
📝 论文摘要
成功的机器人自动化需要精确的全局定位，以支持可重复性、任务规划、目标指定和安全操作。然而，在GNSS缺失环境中实现可靠定位仍是一个未解决的问题。空中俯拍图像提供了一种有前景的解决方案，但现有方法主要针对结构化城市环境，很少在非结构化自然地形中得到验证。当前技术的局限性包括依赖针对特定环境训练的模型，以及难以处理自然户外区域常见的重复几何结构和无特征景观。为克服这些挑战，我们提出Meridian方法，该方法通过匹配空中图像与地面机器人RGB-D相机数据中的高级度量-语义基元，实现精确的全局定位，并在多样环境中具有良好的泛化能力，且无需针对特定区域数据进行任何训练或算法微调。我们提出了新颖的一致性度量，用于估计机器人子图位姿的分布，并在鲁棒位姿图优化步骤中拒绝异常假设，从而精确估计机器人轨迹。实验表明，我们的算法能在多种环境中定位地面机器人，包括自动驾驶数据集、公园与校园区域及荒野营地，在19公里地面遍历中平均优化轨迹误差为2.4米。

📊 核心分析

🎯 研究动机
- 解决**GNSS拒止环境(GNSS-denied environment)** 下机器人的**全局定位(global localization)** 问题 - 现有**跨视角地理定位(cross-view geo-localization)** 方法主要针对结构化城市环境，难以泛化到**非结构化自然地形(unstructured natural terrain)** - 现有方法依赖特定环境训练，且难以处理**重复几何(repetitive geometries)** 和**无特征景观(featureless landscapes)**
🔧 核心方法
- 提出**Meridian** 方法，通过匹配**空中图像(aerial images)** 与**地面机器人RGB-D相机数据** 中的**高层级度量-语义基元(high-level metric-semantic primitives)** 实现定位 - 设计**新型一致性度量(novel consistency metrics)**，估计机器人子地图位姿的分布 - 在**鲁棒位姿图优化(robust pose graph optimization)** 步骤中剔除离群假设，获得精确的轨迹估计
💡 核心创新
- **零训练泛化能力**：无需任何特定区域的数据训练或算法微调，即可在多种环境（城市、公园、荒野）中工作 - **度量-语义基元匹配**：首次将**高层级度量-语义基元(meter-semantic primitives)** 引入跨视图地理定位，克服重复几何与无特征区域的歧义 - **离群假设剔除**：通过一致性度量和鲁棒优化，有效筛除错误匹配，提高定位鲁棒性
🏆 总体贡献
- 为**跨视图地理定位(cross-view geo-localization)** 领域提供了一种无需训练、普适性强的解决方案 - 在19公里地面遍历中实现平均**2.4米** 的优化轨迹误差，验证了在**非城市环境(non-urban environments)** 中的有效性 - 方法可泛化到多种场景，包括自动驾驶数据集、公园校园和荒野营地，推动了**GNSS拒止环境** 下机器人定位的实际应用