[논문 리뷰] Beyond Ground: Map-Free LiDAR Relocalization for UAVs

Hengyu Mu, Jianshi Wu외 6명|arXiv (Cornell University)|2026. 02. 04.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

MAILS는 UAV를 위한 지도 없이 LiDAR 재로컬라이제이션 프레임워크로, yaw 및 고도에 불변인 로컬 기하 특징을 학습하고 평가를 위한 UAV 전용 데이터셋을 도입합니다.

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.

연구 동기 및 목표

• 현실적인 비행 조건에서 UAV를 위한 지도 없이 LiDAR 재로컬라이제이션의 도전 과제를 조사한다.
• UAV LiDAR 데이터에 대해 회전 및 고도에 불변인 로컬 특징을 제공하는 강력한 프레임워크를 개발한다.
• 특징 강인성을 향상시키기 위해 yaw- 및 altitude- 불변 위치 인코딩을 가지는 LoSWAtt를 제안한다.
• 불규칙한 궤적과 고도 변화를 갖는 대규모 UAV LiDAR 로컬라이제이션 데이터셋(UAVLoc)을 만든다.
• UAV 특정 벤치마크에서 최첨단 로컬라이제이션 성능을 입증하고 비교실험으로 통찰을 제공한다.

제안 방법

• XYZ 좌표에 의존하지 않는 포인트 특징 초기화를 위해 Coordinate-Independent Point Cloud Serialization (CIPCS)을 도입한다.
• Yaw- 및 altitude- 불변 위치 인코딩을 갖춘 Locality-Preserving Sliding Window Attention (LoSWAtt)을 개발한다.
• 고유한 로컬 특징을 생성하기 위해 Softmax-없는 첫 번째 LoSWAtt 계층을 사용한다.
• 현지성(로컬리티)을 보존하기 위해 Hilbert 및 Morton 곡선을 사용하여 보셀을 직렬화한다.
• 일점별 월드 좌표 Y를 회귀하고 대응점을 통해 RANSAC으로 6-DoF 포즈를 추정한다.

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

실험 결과

연구 질문

• RQ1 지도 없는 LiDAR 재로컬라이제이션을 UAV 비행에서 흔히 발생하는 큰 yaw 회전과 고도 변화에 대해 로버스트하게 만들 수 있는가?
• RQ2 로컬 기하 특징을 UAV 특유의 교란에 대해 판별 가능하고 불변하게 만들 수 있는가?
• RQ3 yaw- 및 altitude- 불변 위치 인코딩이 다양한 비행 조건에서 재로컬라이제이션 정확도를 향상시키는가?
• RQ4 UAV-전용 LiDAR 데이터셋이 기존 방법의 성능 차이를 드러내고 강인성 향상을 정량화하는 데 도움이 되는가?

주요 결과

방법	HKairport	HKisland	AMtown	AMvalley	평균
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.?	?	?	?	?

• MAILS는 UAVScenes에서 평균 1.39 m 위치 오차 및 2.04° 방향 오차로 최첨단 성능을 달성한다.
• UAVLoc에서 MAILS는 평균 6.29 m 위치 오차와 1.75° 방향 오차를 달성하여 불규칙한 UAV 궤적에서 다른 방법들을 능가한다.
• 분해실험은 Softmax-없는 첫 번째 LoSWAtt의 필요성, 위치 인코딩의 이점, 일반적인 Point Transformer 블록 대비 LoSWAtt 설계의 이점을 보여준다.
• CIPCS 표현과 Hilbert/Morton 보셀 직렬화가 강인하고 좌표 독립적인 특징 초기화에 기여한다.
• RANSAC 기반 포즈 추정이 예측된 대응점을 효과적으로 활용하여 정확한 6-DoF 포즈를 생성한다.

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