位置認識・ローカリゼーション2025/11/1arXiv:2511.09170

HOTFLoc++：森林環境における階層的LiDAR位置認識・再ランキング・6自由度メートル法ローカリゼーションのエンドツーエンドフレームワーク

HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests

森林や都市環境でのLiDAR位置認識・再ランキング・6自由度位置推定を統合した階層的フレームワークを提案し、オクツリーベースのトランスフォーマーと学習可能なマルチスケール幾何検証により、高精度かつ高速なローカリゼーションを実現した。

詳しい要約

1. どんなもの？

- 森林環境における LiDAR place recognition・re-ranking・6-DoF metric localisation を統合した end-to-end 階層フレームワーク HOTFLoc++ の提案 - octree-based transformer により複数粒度の特徴を抽出 - ground-to-ground および ground-to-aerial の森林・都市環境を対象 - コード公開あり (https://github.com/csiro-robotics/HOTFLoc)

2. 先行研究と比べてどこがすごい？

- 単一スケール対応の劣化による re-ranking 失敗を、learnable multi-scale geometric verification で低減 - place recognition と re-ranking・localisation を joint optimisation する joint training protocol を導入 - 密な点群に対する RANSAC-based registration と比べ実行時間をほぼ2桁改善 - CS-Wild-Places で平均 Recall@1 90.7%（baseline 比 +29.6 ポイント） - Wild-Places 91.7%、MulRan 97.9% の平均 Recall@1 を維持

3. 技術・手法の肝は？

- octree-based transformer で複数粒度の特徴を抽出し、clutter・self-similarity・viewpoint changes への頑健性を狙う - learnable multi-scale geometric verification を re-ranking に用いる - octree hierarchy の multi-scale geometric consistency を課す joint training protocol で place recognition・re-ranking・localisation を同時最適化 - 6-DoF metric localisation を end-to-end に統合

4. どうやって有効だと検証した？

- 公開データセット (CS-Wild-Places, Wild-Places, MulRan) で評価 - CS-Wild-Places で平均 Recall@1 90.7%、Wild-Places 91.7%、MulRan 97.9% - 6-DoF registration 試行の 97.2% で 2m 未満・5° 未満の誤差 - multi-scale re-ranking module により localisation 誤差が平均約2倍低減 - 密な点群で RANSAC-based registration 比ほぼ2桁の runtime 改善

5. 議論はある？

- 単一スケール対応の劣化が re-ranking 失敗要因である点を議論 - multi-scale geometric consistency の joint optimisation が place recognition の収束を改善する点を主張 - 森林・都市、ground-to-ground・ground-to-aerial を含む難シナリオでの頑健性を議論 - 具体的な限界や失敗事例は要旨からは不明

6. 次に読むべき論文は？

- RANSAC-based registration（比較対象の古典的手法） - octree-based transformer 関連の LiDAR place recognition 手法 - Wild-Places・MulRan・CS-Wild-Places を用いる既存の state-of-the-art LiDAR place recognition 研究 - multi-scale geometric verification や re-ranking に関する関連研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ethan Griffiths, Maryam Haghighat, Simon Denman, Clinton Fookes, Milad Ramezani

分類: cs.CV, cs.RO

原文アブストラクト

This article presents HOTFLoc++, an end-to-end hierarchical framework for LiDAR place recognition, re-ranking, and 6-DoF metric localisation in forests. Leveraging an octree-based transformer, our approach extracts features at multiple granularities to increase robustness to clutter, self-similarity, and viewpoint changes in challenging scenarios, including ground-to-ground and ground-to-aerial in forest and urban environments. We propose learnable multi-scale geometric verification to reduce re-ranking failures due to degraded single-scale correspondences. Our joint training protocol enforces multi-scale geometric consistency of the octree hierarchy via joint optimisation of place recognition with re-ranking and localisation, improving place recognition convergence. Our system achieves comparable or lower localisation errors to baselines, with runtime improvements of almost two orders of magnitude over RANSAC-based registration for dense point clouds. Experimental results on public datasets show the superiority of our approach compared to state-of-the-art methods, achieving an average Recall@1 of 90.7% on CS-Wild-Places: an improvement of 29.6 percentage points over baselines, while maintaining high performance on single-source benchmarks with an average Recall@1 of 91.7% and 97.9% on Wild-Places and MulRan, respectively. Our method achieves under 2m and 5$^{\circ}$ error for 97.2% of 6-DoF registration attempts, with our multi-scale re-ranking module reducing localisation errors by ~2x on average. The code is available at https://github.com/csiro-robotics/HOTFLoc.

arXivで原文を読む →arXiv概要ページ

← 論文一覧