厦门大学等机构提出的 LEADER 方法，通过柱面投影、循环稀疏卷积和 TRR 置信度损失，在激光雷达重定位中同时实现了十毫秒级效率和超越传统检索-配准方法的精度。
📝 详细摘要
本文介绍了被 CVPR 2026 接收为 Highlight 的激光雷达重定位方法 LEADER。传统方法中，检索-配准范式精度高但存储和计算成本随场景规模急剧膨胀，而场景坐标回归（SCR）方法效率高但精度仅达亚米级，且对旋转敏感、易受退化区域影响。LEADER 通过三个关键设计解决了这些问题：柱面投影结合循环稀疏卷积实现偏航角不变性；TRR 损失让模型在训练中自适应学习每个点的置信度，无需人工标注；在 RANSAC 阶段仅使用高置信度点拟合位姿。在 NCLT 数据集上，LEADER 的平均定位精度达到 0.28 米，大幅超越 APR、SCR 及检索-配准方法 RING/RING++，且 5 米内失败率仅为 0.28%。文章还通过置信度分析展示了 TRR 损失的有效性，并指出让模型学会选择性记忆是提升性能的关键。
💡 主要观点
- LEADER 通过柱面投影和循环稀疏卷积实现旋转鲁棒性。 针对自动驾驶中偏航角变化导致精度骤降的问题，将点云进行柱面投影，并用循环稀疏卷积处理角度衔接，使特征表示对车头朝向不敏感，同时通过地面点校正获得俯仰和横滚角鲁棒性。
💬 文章金句
- SCR 方法精度上真的无法比拟 '检索 - 配准' 方法吗？
- 在并不需要完整记忆所有内容的场景中，与其让模型去死记硬背那些难以学习的数据，不如让模型自己选择应该记住什么。
- 有时候，模型并非越复杂越有效，核心模块往往恰恰是其中简单的部分，如果能分析出模型的瓶颈因素，并为其 '引流'，即可能引发质变，简约而不失优雅。
📊 文章信息
AI 初评：85
来源：机器之心
作者：机器之心
分类：人工智能
语言：中文
阅读时间：11 分钟
字数：2627
标签： 激光雷达重定位, 场景坐标回归, 置信度学习, CVPR 2026, 自动驾驶