HOTFLoc++：森林環境におけるエンドツーエンドの階層型LiDARプレース認識、再ランク付け、6自由度のメートル法ローカライゼーション

要旨: 本論文は、森林におけるLiDARの場所認識、再ランキング、6-DoFの精密測位をエンドツーエンドで行う階層型フレームワークであるHOTFLoc++を提示する。オクツリーに基づくトランスフォーマを活用することで、我々の手法は複数の粒度で特徴を抽出し、森林や都市環境における困難なシナリオ（地上から地上、地上から空中）で生じる、散乱（クラッタ）・自己類似性・視点変化に対する頑健性を高める。劣化した単一スケールの対応関係に起因する再ランキング失敗を減らすために、学習可能なマルチスケール幾何学的検証を提案する。共同学習プロトコルでは、場所認識と再ランキング、測位の共同最適化により、オクツリー階層のマルチスケール幾何学的整合性を強制し、場所認識の収束を改善する。我々のシステムは、ベースラインと同等またはそれ以下の測位誤差を達成し、密な点群に対するRANSACベースの登録と比べて実行時間をほぼ2桁改善する。公開データセットでの実験結果は、最先端手法に対する本手法の優位性を示しており、CS-Wild-Placesで平均Recall@1が90.7%となる。これはベースラインに対して29.6パーセンテージポイントの改善である一方、Wild-PlacesとMulRanでそれぞれ平均Recall@1が91.7%と97.9%と高い性能を単一ソースのベンチマークでも維持している。我々の手法は、6-DoF登録試行の97.2%に対して2m未満および5^{\circ}未満の誤差を達成し、マルチスケール再ランキングモジュールにより測位誤差を平均で約2倍低減する。コードはhttps://github.com/csiro-robotics/HOTFLoc で公開されている。