OverlapMamba: Novel Shift State Space Model for LiDAR-based Place Recognition

地点识别是实现自主系统独立决策和安全运行的基础。在SLAM中，它也是环路闭合检测和全局定位等任务中至关重要的。以往的方法利用单调的点云表示作为输入，采用基于深度学习的LiDAR地点识别（LPR）方法，使用不同的点云图像输入和卷积神经网络（CNN）或变换器结构。然而，最近提出的Mamba深度学习模型，结合状态空间模型（SSMs），在长序列建模方面具有巨大潜力。因此，我们开发了OverlapMamba，一种新颖的用于地点识别的网络，将输入范围视图（RVs）表示为序列。我们采用随机重构方法以一种新颖的方式构建移位状态空间模型，压缩视觉表示。在三个不同的公共数据集上进行评估，我们的方法有效地检测环路闭合，在从不同方向遍历先前访问的位置时表现出鲁棒性。依靠原始的范围视图输入，它在时间复杂度和速度方面优于典型的LiDAR和多视角组合方法，表明具有强大的地点识别能力和实时效率。

该论文旨在解决场所识别的问题，通过使用Mamba深度学习模型和状态空间模型（SSMs）来建立一个能够识别场所的新型网络。同时，该论文还试图验证利用RVs作为序列输入的方法是否能够提高场所识别的效果。

论文的关键思路是将输入的range views（RVs）表示为序列，并利用随机重构方法建立移位状态空间模型，从而压缩视觉表示并提高场所识别的效率。

论文通过对三个公共数据集的评估，证明了OverlapMamba方法在检测循环闭合方面的有效性，并表现出对于不同方向的先前访问位置的鲁棒性。该方法依赖于原始的range view输入，比典型的LiDAR和多视图组合方法在时间复杂度和速度方面表现更出色，表明具有强大的场所识别能力和实时性能。论文还提供了开源代码。

最近的相关研究包括使用CNN或transformer架构的深度学习LiDAR场所识别方法，以及使用点云表示作为输入的方法。