Abstract
既存のLGL手法は典型的に、LiDAR観測から得られる情報のうち一部（例：幾何学的特徴）のみを考慮するか、均質なLiDARセンサを対象に設計されており、LGLにおける一様性を見落としている。本研究ではUniLGLと呼ばれる一様LGL手法を提案し、空間的および材料的な一様性、ならびにセンサ種別の一様性を同時に達成する。提案手法の要点は、幾何学情報と材料情報の両方を含む完全な点群を、BEV画像のペア（すなわち、空間BEV画像と強度BEV画像）へ符号化することである。エンドツーエンドのマルチBEV融合ネットワークを設計し、一様な特徴を抽出することで、UniLGLに空間的および材料的な一様性を持たせる。異種LiDARセンサにわたって頑健にLGLを行うために、視点不変性の仮説を導入する。これは、既存のLPRネットワークで一般に用いられる従来の並進同変性の仮定を置き換えるものであり、グローバル記述子と局所的特徴表現の両方においてセンサ種別の一様性を達成するようにUniLGLを教師あり学習する。最後に、2D BEV画像上の局所特徴と点群との間の対応付けに基づいて、追加の登録を必要とせずに、SE(3)上でグローバルポーズのグローバル最小値を決定する頑健なグローバル姿勢推定器を導出する。提案する一様LGLの有効性を検証するために、実環境で大規模なベンチマークを実施したところ、その結果、提案するUniLGLは他の最先端（State-of-the-Art）のLGL手法と比較して遜色ない競争力があることが実証された。さらにUniLGLは、大型トラックから機敏なマイクロ・エア・ビークル（MAV）まで、多様なプラットフォームに展開されており、高精度な自己位置推定と地図作成、ならびに港湾や森林環境での複数MAVの協調的な探索を可能にし、産業用途やフィールド用途におけるUniLGLの適用可能性を示している。
