[论文解读] BEVPlace: Learning LiDAR-based Place Recognition using Bird's Eye View Images

Luo Lun, Shuhang Zheng+5 more|arXiv (Cornell University)|Feb 28, 2023

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文提出 BEVPlace，一种基于激光雷达的场景识别方法，利用鸟瞰图（BEV）图像提升对视角变化和场景变化的鲁棒性。通过采用组卷积实现旋转等变特征提取，并结合 NetVLAD 进行全局特征聚合，BEVPlace 在基准数据集上实现了最先进水平的召回率（平均 Top-1 召回率达 95.3%），展现出强大的泛化能力，并通过学习到的特征到几何距离相关性实现精确的 6-DoF 位姿估计。

ABSTRACT

Place recognition is a key module for long-term SLAM systems. Current LiDAR-based place recognition methods usually use representations of point clouds such as unordered points or range images. These methods achieve high recall rates of retrieval, but their performance may degrade in the case of view variation or scene changes. In this work, we explore the potential of a different representation in place recognition, i.e. bird's eye view (BEV) images. We observe that the structural contents of BEV images are less influenced by rotations and translations of point clouds. We validate that, without any delicate design, a simple VGGNet trained on BEV images achieves comparable performance with the state-of-the-art place recognition methods in scenes of slight viewpoint changes. For more robust place recognition, we design a rotation-invariant network called BEVPlace. We use group convolution to extract rotation-equivariant local features from the images and NetVLAD for global feature aggregation. In addition, we observe that the distance between BEV features is correlated with the geometry distance of point clouds. Based on the observation, we develop a method to estimate the position of the query cloud, extending the usage of place recognition. The experiments conducted on large-scale public datasets show that our method 1) achieves state-of-the-art performance in terms of recall rates, 2) is robust to view changes, 3) shows strong generalization ability, and 4) can estimate the positions of query point clouds. Source codes are publicly available at https://github.com/zjuluolun/BEVPlace.

研究动机与目标

• 解决现有基于激光雷达的场景识别方法在视角变化和场景变化下性能下降的问题。
• 探索鸟瞰图（BEV）图像作为激光点云更鲁棒表示的潜力。
• 开发一种旋转不变网络，在视角变化和场景变化下仍保持高性能。
• 将场景识别从检索任务拓展至通过学习到的特征到几何距离相关性实现精确的 6-DoF 位姿估计。

提出的方法

• 将激光雷达点云投影为 BEV 图像，其在传感器平移和旋转下比距离图像或无序点云更稳定。
• 设计基于组卷积的网络，从 BEV 图像中提取旋转等变的局部特征，增强对视角变化的鲁棒性。
• 应用 NetVLAD 将局部特征聚合为全局、旋转不变的描述符，用于场景检索。
• 构建一个学习到的相关性模型，将 BEV 特征之间的 L2 距离映射到点云之间的几何距离，从而实现位姿估计。
• 在 KITTI 和 Oxford RobotCar 等公开数据集上端到端训练该框架，推理速度达到实时性能（每查询约 30ms）。

实验结果

研究问题

• RQ1 在视角变化下，BEV 图像能否作为比距离图像或无序点云更鲁棒的激光雷达场景识别表示？
• RQ2 深度学习模型如何在基于 BEV 图像的特征学习中实现旋转不变性以提升泛化能力？
• RQ3 BEV 特征之间的距离能否与点云之间的几何距离可靠相关联，从而实现位姿估计？
• RQ4 所提出的 BEVPlace 方法在召回率、鲁棒性和跨多样化数据集的泛化能力方面是否优于最先进方法？

主要发现

• BEVPlace 在基准数据集上实现了 95.3% 的平均 Top-1 召回率，优于包括基于 Transformer 的 MinkLoc3Dv2 和 ResNet34+NetVLAD 在内的最先进方法。
• 该方法展现出强大的泛化能力，在 KITTI 上训练后在 ALITA 数据集上仍保持高性能，而其他方法则出现显著性能下降。
• BEVPlace 在 Oxford 数据集上达到 96.5% 的 AR@1，在 U.S. 数据集上达到 96.9%，表明其在视角变化和场景变化下具有卓越的鲁棒性。
• 特征到几何距离的相关性使位姿估计更加精确，累积平移误差分布显示其在旋转扰动下表现更优。
• 运行时评估表明，在 RTX 3090 GPU 上每查询仅需约 30ms，支持 10Hz 的实时定位，适用于 SLAM 系统。