[论文解读] BEV-SLD: Self-Supervised Scene Landmark Detection for Global Localization with LiDAR Bird's-Eye View Images

David Skuddis, Vincent Ress+3 more|arXiv (Cornell University)|Mar 17, 2026

Advanced Neural Network Applications被引用 0

一句话总结

BEV-SLD 通过自监督一致性损失在 LiDAR BEV 图像中学习场景特定地标，实现使用 Compact 20 MB 模型和地标列表在多样环境下的鲁棒 3 自由度全局定位。

ABSTRACT

We present BEV-SLD, a LiDAR global localization method building on the Scene Landmark Detection (SLD) concept. Unlike scene-agnostic pipelines, our self-supervised approach leverages bird's-eye-view (BEV) images to discover scene-specific patterns at a prescribed spatial density and treat them as landmarks. A consistency loss aligns learnable global landmark coordinates with per-frame heatmaps, yielding consistent landmark detections across the scene. Across campus, industrial, and forest environments, BEV-SLD delivers robust localization and achieves strong performance compared to state-of-the-art methods.

研究动机与目标

• 识别分布在地图上的场景特定地标，以实现对 LiDAR 数据的全局定位。
• 开发一种自监督学习方案，联合优化地标位置与检测。
• 创建一个可扩展的地标输出方案，使高分辨率地标检测和低分辨率对应预测解耦。

提出的方法

• 将 LiDAR 点云表示为 BEV 密度图，以便高效学习。
• 通过将局部热力图与全局地标集连接的一致性损失，联合学习地标位置和检测。
• 预测用于地标检测的高分辨率局部热力图，以及用于将检测到的地标与全局坐标关联的低分辨率对应图。
• 使用可微分机制，通过分块 softmax 加权坐标将局部热力图峰值映射到全局地标。
• 端到端训练，使地标坐标和热力图共同进化为显著、几何上稳定的结构。
• 通过从热力图提取峰值进行定位，并通过对应图解析相应的全局地标，结合 RANSAC 估计 3 自由度姿态。

实验结果

研究问题

• RQ1 自监督框架是否能够直接从 LiDAR BEV 表征中发现并稳定场景地标？
• RQ2 如何在地标密度与可扩展性之间实现平衡，以在没有密集地图的情况下实现鲁棒 LiDAR 全局定位？
• RQ3 地标位置与检测的联合优化是否在不同环境中提升定位性能？

主要发现

• BEV-SLD 在多个人真实数据集上取得了最先进的成功率，尤其是在参考轨迹较远的查询中。
• 训练过程优化地标位置优于固定地标，提升了成功率并降低了 TE（平移误差）和 RE（旋转误差）。
• 定位以 ~35 FPS 运行，内存占用仅 20 MB，且无需密集地图。
• 地标收敛到如建筑角落或树干等具有辨识度的结构，增强了检测性。
• 在低重叠条件下该方法仍保持高成功率，在具有挑战性的场景中优于若干基线方法。