JointLoc: A Real-time Visual Localization Framework for Planetary UAVs Based on Joint Relative and Absolute Pose Estimation

本文提出了JointLoc算法，旨在通过卫星地图和机载相机拍摄的图像来估计无人机在世界坐标系中的绝对位置，以实现在行星场景中无需全球卫星导航系统（GNSS）的情况下准确确定无人机的位置。然而，由于行星场景通常缺乏显著的地标，并且卫星地图和无人机图像之间存在模态差异，因此无人机定位的准确性和实时性将会降低。为了准确确定无人机在行星场景中的位置，本文提出了JointLoc算法，通过自适应融合绝对2自由度（2-DoF）姿态和相对6自由度（6-DoF）姿态来实时估计无人机在世界坐标系中的位置。在提出的行星无人机图像跨模态定位数据集上进行了大量比较实验，该数据集包含三种通过模拟引擎生成的典型火星地貌类型以及来自Ingenuity直升机的真实火星无人机图像。JointLoc在长达1000米的轨迹中实现了0.237米的均方根误差，相比之下，ORB-SLAM2和ORB-SLAM3的均方根误差分别为0.594米和0.557米。源代码将可在https://github.com/LuoXubo/JointLoc获得。

该论文旨在解决在行星上使用UAV进行定位时，由于缺乏显著的地标和卫星地图与UAV图像之间的模态差异，导致定位精度和实时性下降的问题。

论文提出了一种自适应融合绝对2自由度姿态和相对6自由度姿态的方法，以实时估计UAV在世界坐标系中的位置。

论文使用了一个新的行星UAV图像跨模态本地化数据集进行广泛的比较实验，该数据集包含通过仿真引擎生成的三种典型火星地形以及Ingenuity直升机的真实火星UAV图像。JointLoc的平均根均方误差为0.237m，比ORB-SLAM2和ORB-SLAM3分别降低了0.594m和0.557m。论文提供了代码开源。

在这个领域中，最近的相关研究包括《A Survey of Unmanned Aerial Vehicle (UAV) Usage for Traffic Monitoring》和《Real-time UAV Localization in Large Scale Maps Using Stereo Vision and Inertial Measurement Unit》等。