[論文レビュー] TreeLoc++: Robust 6-DoF LiDAR Localization in Forests with a Compact Digital Forest Inventory

Minwoo Jung, Dongjae Lee+4 more|arXiv (Cornell University)|Mar 4, 2026

Remote Sensing and LiDAR Applications被引用数 0

ひとこと要約

TreeLoc++ は、コンパクトな DFIs と2段階のリトリーブ＋幾何に基づくリファインメントにより、森林でのロバストな6-DoF LiDAR ローカリゼーションを実現し、軽量なマップデータでセンチメートルレベルの姿勢精度を達成します。

ABSTRACT

Reliable localization is essential for sustainable forest management, as it allows robots or sensor systems to revisit and monitor the status of individual trees over long periods. In modern forestry, this management is structured around Digital Forest Inventories (DFIs), which encode stems using compact geometric attributes rather than raw data. Despite their central role, DFIs have been overlooked in localization research, and most methods still rely on dense gigabyte-sized point clouds that are costly to store and maintain. To improve upon this, we propose TreeLoc++, a global localization framework that operates directly on DFIs as a discriminative representation, eliminating the need to use the raw point clouds. TreeLoc++ reduces false matches in structurally ambiguous forests and improves the reliability of full 6-DoF pose estimation. It augments coarse retrieval with a pairwise distance histogram that encodes local tree-layout context, subsequently refining candidates via DBH-based filtering and yaw-consistent inlier selection to further reduce mismatches. Furthermore, a constrained optimization leveraging tree geometry jointly estimates roll, pitch, and height, enhancing pose stability and enabling accurate localization without reliance on dense 3D point cloud data. Evaluations on 27 sequences recorded in forests across three datasets and four countries show that TreeLoc++ achieves precise localization with centimeter-level accuracy. We further demonstrate robustness to long-term change by localizing data recorded in 2025 against inventories built from 2023 data, spanning a two-year interval. The system represents 15 sessions spanning 7.98 km of trajectories using only 250KB of map data and outperforms both hand-crafted and learning-based baselines that rely on point cloud maps. This demonstrates the scalability of TreeLoc++ for long-term deployment.

研究の動機と目的

• GNSS が信頼できず、密な点群を保存するコストが高い森林での頑健なグローバルローカリゼーションを動機付ける。
• 知覚的エイリアシングとストレージを削減するため、樹木属性上で直接動作するDFIベースのローカリゼーションフレームワークを提案する。
• ペアワイズ幾何学的文脈を用いたリトリーブを強化し、DBHフィルタリングと yaw 一致のインライア投票により対応をリファインする。
• dense 3D データなしで、軸ベースの2D投影と制約付き最適化を用い、安定した6-DoF 姿勢推定を実現する。
• マルチセッション、クロスデータセット、長期的なシナリオにおけるスケーラビリティと頑健性を示す。

提案手法

• LiDAR ペイロードを集約し、RealtimeTrees を用いて樹木属性（A_j, p'_j, d_j）を抽出して Digital Forest Inventory を構築する。
• 樹幹中心を樹木軸に合わせて2D平面上に射影し、ローリング・ピッチに不変な座標を記述子として得る。
• 粗いリトリーブには2つのヒストグラム、Tree Distribution Histogram (TDH) と Pairwise Distance Histogram (PDH) を用いて堅牢な場所認識を実現する。
• 整列した樹木中心から成る2D三角形記述子を導入し、三角形ハッシュを用いて候補マッチをリファインする。
• ハッシュ衝突による誤対応を識別するために DBH ベースのフィルタリングを適用し、yaw 一致のインライア投票でグローバルなポーズ整合性を強制する。
• 幾何学的検証と、マッチした樹木幾何を用いて roll, pitch, height を同時に推定する制約付き6-DoF最適化を実行する。

Figure 1 : (Left) Images captured from the same location in the Evo forest two years apart, showing vegetation growth (yellow) and denser foliage (cyan), which amplifies perceptual aliasing. (Right) TreeLoc++ achieves accurate multi-session alignment using only lightweight DFIs by leveraging tree at

実験結果

リサーチクエスチョン

• RQ1 DFIs のみで、密な点群なしで森林環境において信頼できる6-DoF ローカリゼーションを提供できるか？
• RQ2 TDHとPDHを組み合わせた粗いリトリーブは、構造的に繰り返しのある森林配置に対して改善されるか？
• RQ3 DBH ベースのフィルタリングと yaw 一致インライア投票は、ハッシュ衝突による偽対応をどれほど低減できるか？
• RQ4 canopy 下では roll, pitch, height を同時推定する制約付き最適化は姿勢の安定性を改善できるか？
• RQ5 TreeLoc++ はマルチセッション、クロスデータセット、長期的なシナリオにどれほど generalize できるか？

主な発見

• TreeLoc++ は、約 250 KB の DFIs のみを用いてセンチメートルレベルの姿勢精度を達成する。
• 3つのデータセットからの27シーケンス、4か国で、TreeLoc++ は密な点群に依存するベースラインを上回り、粗いリトリーブのリコールを向上させた（例：Evo Recall@1 が LoGG3D-Net に対して 0.521 から 0.940へ改善）。
• 2025年に収集されたデータを2023年のインベントリに対してローカライズし、2年の時間的変化に対する頑健性を示した。
• 15 セッション、総距離 7.98 km の軌道データを最小限のマップストレージで処理し、クエリ時間をサブ10 ms に抑える。
• DBH フィルタリングと yaw 投票はハッシュ衝突による不一致を効果的に抑制し、検証のための候補対応の信頼性を高めた。
• roll, pitch, height を同時推定する制約付き最適化は、dense 3D データに依存せずに姿勢の安定性を高めた。

Figure 2 : Pipeline of TreeLoc++. TreeLoc++ extracts tree-level traits using RealtimeTrees and converts them into two descriptors for place recognition. Based on the retrieved candidates, it estimates the full 6-DoF pose while suppressing outliers arising from incorrect triangle matches. Using the r