AGL-NET: Aerial-Ground Cross-Modal Global Localization with Varying Scales

我们提出了AGL-NET，这是一种新颖的基于学习的方法，利用LiDAR点云和卫星地图进行全局定位。AGL-NET解决了两个关键挑战：通过弥合图像和点云模态之间的表示差距来进行鲁棒的特征匹配，以及处理全局视图和局部视图之间固有的尺度差异。为了解决这些挑战，AGL-NET利用了一种统一的网络架构和一种新颖的两阶段匹配设计。第一阶段直接从原始传感器数据中提取信息神经特征并执行初始特征匹配。第二阶段通过提取信息骨架特征并结合新颖的尺度对齐步骤来优化此匹配过程，以矫正LiDAR和地图数据之间的尺度变化。此外，一种新颖的尺度和骨架损失函数指导网络学习尺度不变的特征表示，消除了预处理卫星地图的需要。这在未知地图尺度的情况下显着提高了实际应用的适用性。为了促进严格的性能评估，我们在CARLA模拟器中引入了一个精心设计的数据集，专门用于度量定位培训和评估。代码和数据集将公开发布。

论文旨在解决利用LiDAR点云和卫星地图进行全球定位的问题，同时解决图像和点云模态之间的表示差距和全局视图与局部视图之间的尺度差异。

AGL-NET采用了一种新的、统一的网络架构，并设计了一个新颖的两阶段匹配方案。第一阶段直接从原始传感器数据中提取信息神经特征并执行初始特征匹配。第二阶段通过提取信息骨架特征并加入一个新颖的尺度对齐步骤来改善匹配过程。此外，一种新颖的尺度和骨架损失函数指导网络学习尺度不变的特征表示，消除了预处理卫星地图的需要。

论文提出了一个新的学习方法AGL-NET，用于全球定位。该方法提出了一个新颖的网络架构和两阶段匹配方案，解决了图像和点云模态之间的表示差距和全局视图与局部视图之间的尺度差异。为了评估性能，作者还介绍了一个在CARLA模拟器中设计的数据集，并将代码和数据集公开发布。

最近的相关研究包括利用深度学习方法进行全球定位的研究，以及利用点云和图像进行定位的研究。例如，论文中引用了一些相关的文献，如PointNet、PointNet++、LO-Net等。