[論文レビュー] Beyond Ground: Map-Free LiDAR Relocalization for UAVs

Hengyu Mu, Jianshi Wu+6 more|arXiv (Cornell University)|Feb 4, 2026

Robotics and Sensor-Based Localization被引用数 0

ひとこと要約

MAILS は UAV のための地図なし LiDAR リロケーションフレームワークで、航向角と高度に不変の局所幾何特徴を学習し、評価用の UAV 固有データセットを導入します。

ABSTRACT

Localization is a fundamental capability in unmanned aerial vehicle (UAV) systems. Map-free LiDAR relocalization offers an effective solution for achieving high-precision positioning in environments with weak or unavailable GNSS signals. However, existing LiDAR relocalization methods are primarily tailored to autonomous driving, exhibiting significantly degraded accuracy in UAV scenarios. In this paper, we propose MAILS, a novel map-free LiDAR relocalization framework for UAVs. A Locality-Preserving Sliding Window Attention module is first introduced to extract locally discriminative geometric features from sparse point clouds. To handle substantial yaw rotations and altitude variations encountered during UAV flight, we then design a coordinate-independent feature initialization module and a locally invariant positional encoding mechanism, which together significantly enhance the robustness of feature extraction. Furthermore, existing LiDAR-based relocalization datasets fail to capture real-world UAV flight characteristics, such as irregular trajectories and varying altitudes. To address this gap, we construct a large-scale LiDAR localization dataset for UAVs, which comprises four scenes and various flight trajectories, designed to evaluate UAV relocalization performance under realistic conditions. Extensive experiments demonstrate that our method achieves satisfactory localization precision and consistently outperforms existing techniques by a significant margin. Our code and dataset will be released soon.

研究の動機と目的

• 現実的な飛行条件における UAV の地図なし LiDAR リロケーションの課題を調査する。
• UAV LiDAR データに対して回転・高度不変の局所特徴をもたらす堅牢なフレームワークを開発する。
• 特性のロバスト性を高める yaw- および altitude 不変の位置エンコーディングを備えた LoSWAtt を提案する。
• 不規則な軌跡と高度変動を持つ大規模 UAV LiDAR ローカライゼーションデータセット（UAVLoc）を作成する。
• UAV 固有のベンチマークにおいて最先端のローカライゼーション性能を示し、アブレーションの洞察を提供する。

提案手法

• XYZ 座標に依存しない点特徴を初期化する Coordinate-Independent Point Cloud Serialization（CIPCS）を導入する。
• yaw- および altitude 不変の位置エンコーディングを備えた Locality-Preserving Sliding Window Attention（LoSWAtt）を開発する。
• 最初の LoSWAtt 層を Softmax なしで使用し、特徴を識別可能にする。
• 体積を Hilbert および Morton 曲線でシリアライズして局所性を保持する。
• 対応点を介して点ごとのワールド座標 Y を回帰し、RANSAC によって 6-DoF 姿勢を推定する。

Figure 1 : The challenges of UAV’s map-free relocalization compared to vehicle. This paper primarily investigates the map-free UAV relocalization. Compared to map-free vehicle relocalization, UAV relocalization faces greater challenges due to more complex and diverse flight conditions. Thus, develop

実験結果

リサーチクエスチョン

• RQ1 地図なし LiDAR リロケーションを UAV 飛行で典型的な大きな yaw 回転と高度変化に対して頑健にできるか？
• RQ2 局所的幾何特徴を UAV 固有の摂動に対して識別性と不変性を持たせるにはどうするべきか？
• RQ3 yaw- および altitude 不変の位置エンコーディングはさまざまな飛行条件下でリロケーション精度を向上させるか？
• RQ4 UAV 固有の LiDAR データセットは既存手法の性能ギャップを明らかにし、頑健性の向上を定量化するのに役立つか？

主な発見

方法	HKairport	HKisland	AMtown	AMvalley	Average
BEVPlace++	6.90m,5.37°	4.53m,4.19°	2.68m,2.57°	3.69m,2.30°	3.88m,4.13° / 1.97m,2.24°?
Egonn	5.?	?	?	?	?

• MAILS は UAVScenes で最先端の性能を達成し、平均位置誤差 1.39 m、方向誤差 2.04°。
• UAVLoc では MAILS が平均 6.29 m の位置誤差と 1.75° の方向誤差を達成し、不規則な UAV 軌道下で他手法を上回る。
• アブレーション研究は Softmax なしの最初の LoSWAtt の必要性、位置エンコーディングの利点、および一般的な Point Transformer ブロックに比べた LoSWAtt 設計の優位性を示す。
• CIPCS 表現と Hilbert/Morton ボクセルシリアライズは座標に依存しない堅牢な特徴初期化に寄与する。
• RANSAC ベースの姿勢推定は予測された対応を活用して正確な 6-DoF 姿勢を提供する。

Figure 2 : Mean position errors of different methods on the UAVScenes and UAVLoc (ours) datasets. Our method achieves the best performance on both datasets.