MPTF-Net：LiDARベースの自己位置認識のためのマルチビュー・ピラミッド・トランスフォーマ融合ネットワーク

Abstract

LiDARベースの場所認識（LPR）は、大規模SLAMシステムにおけるグローバルな自己位置推定とループクロージャ検出に不可欠です。既存の手法では、マッチングのためにレンジ画像（Range Image）やBEV表現からグローバル記述子を構築するのが一般的です。BEVは、明示的な2Dの空間レイアウトを符号化でき、効率的な検索が可能であるため広く採用されています。しかし従来のBEV表現は単純な統計的集約に依存しており、細かな幾何学的構造を捉えられないため、複雑または反復的な環境では性能が低下します。これに対処するため、我々は新しいマルチビュー・マルチスケール・ピラミッド・トランスフォーマー融合ネットワークであるMPTF-Netを提案します。提案の中核となる貢献は、Normal Distribution Transform（NDT）によって局所的な幾何学的な複雑さと強度分布を明示的にモデル化する、マルチチャネルNDTベースのBEV符号化です。これにより、ノイズに強い構造的な事前知識を提供します。これらの特徴を効果的に統合するために、Range Image Views（RIV）とNDT-BEVの間における、複数の空間スケールでのビュー間の相互作用的な相関を捉える、カスタマイズしたピラミッド・トランスフォーマー・モジュールを開発します。nuScenes、KITTI、NCLTの各データセットに対する大規模な実験により、MPTF-Netが最先端の性能を達成することが示されました。具体的には、nuScenesのBoston splitでRecall@1が96.31\%に達し、かつ推論レイテンシはわずか10.02 msに維持されるため、リアルタイムの自律型無人システムに非常に適しています。