BEVRender: Vision-based Cross-view Vehicle Registration in Off-road GNSS-denied Environment

我们介绍了BEVRender，这是一种新颖的基于学习的方法，用于在全球导航卫星系统（GNSS）无法覆盖的离线道路场景中定位地面车辆。由于缺乏明显的视觉标志和车辆姿态的不稳定性，这些环境通常对传统的基于视觉的状态估计具有挑战性。为了解决这个问题，BEVRender生成了局部地形的高质量鸟瞰图（BEV）图像。随后，通过模板匹配将这些图像与地理参考航空地图对齐，以实现准确的跨视图注册。我们的方法克服了视觉惯性测距系统固有的限制以及图像检索定位策略的大量存储需求，这些策略容易出现漂移和可扩展性问题。广泛的实验验证了BEVRender相对于现有的GNSS无法覆盖的视觉定位方法的进步，展示了在定位精度和更新频率方面的显着提高。BEVRender的代码将很快提供。

BEVRender试图解决的问题是在GNSS-denied off-road场景下，车辆的本地化问题。

BEVRender通过生成高质量的本地鸟瞰图像，通过模板匹配与地图对齐，实现了精确的跨视图注册，从而克服了传统视觉惯性测量系统的固有限制和图像检索本地化策略的存储需求问题。

BEVRender通过实验验证了其在本地化精度和更新频率方面的显著改进，有望成为GNSS-denied视觉本地化领域的重要方法。论文未公开代码。

最近的相关研究包括基于视觉和深度学习的本地化方法，如Mask-RCNN和PointNetVLAD，以及使用卫星图像和激光雷达的本地化方法，如DEM-based localization和LiDAR-based localization。