SALSA: Swift Adaptive Lightweight Self-Attention for Enhanced LiDAR Place Recognition

大规模的激光雷达地图和定位利用场所识别技术来减轻里程漂移，确保准确的地图制作。这些技术利用激光雷达点云的场景表示来识别数据库中之前访问过的地点。每个点云中的本地描述符被分配为场景表示的一部分。这些描述符还用于基于几何适配分数重新排序检索到的点云。我们提出了SALSA，一种新颖、轻量级和高效的激光雷达场所识别框架。它由一个Sphereformer骨干组成，使用径向窗口注意力实现稀疏远距离点的信息聚合，一个自适应自注意层将本地描述符汇集成标记，以及一个多层感知器混合器层来聚合标记以生成场景描述符。在各种激光雷达场所识别数据集上，该提出的框架在检索和度量本地化方面优于现有方法，同时实时运行。

论文旨在解决大规模LiDAR映射和定位中的位置识别问题，以确保准确的映射。

提出了一种新的LiDAR位置识别框架SALSA，它使用Sphereformer骨干网络、自适应自注意力层和Mixer层来生成场景描述符，并在各种LiDAR位置识别数据集上实现了比现有方法更好的检索和度量定位效果。

SALSA框架是一种轻量级、高效的解决方案，实验结果表明其在各种LiDAR位置识别数据集上的表现优于现有方法。论文还提供了数据集和代码。

与本论文相关的研究包括：PointNetVLAD、D2-Net、SuperPoint等。