LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization¶

会议: CVPR 2026
arXiv: 2604.11355
代码: https://github.com/JiansW/LEADER
领域: 自动驾驶
关键词: LiDAR重定位, 场景坐标回归, 偏航不变, 可靠性估计, 点云

一句话总结¶

LEADER 通过鲁棒的投影式几何编码器（偏航不变）和截断相对可靠性损失（抑制不可靠点），在 LiDAR 重定位任务上分别实现 24.1% 和 73.9% 的位置误差相对降低。

研究背景与动机¶

领域现状：LiDAR 重定位在自动驾驶中至关重要。主流方法分为"检索+配准"（需存储密集点云地图）和基于学习的回归方法，后者又分为绝对位姿回归（APR）和场景坐标回归（SCR）。

现有痛点：(1) 检索+配准方法存储和通信开销大；(2) APR 精度有限；(3) 现有 SCR 网络架构不具备偏航不变性，车辆转弯时性能下降；(4) 所有预测点被同等对待，退化区域（无纹理、动态物体）的错误对应点严重干扰位姿估计。

核心矛盾：自动驾驶场景中偏航旋转频繁且场景中大量点不适合重定位（动态物体、重复纹理），但现有方法既不能处理旋转又不能区分点的可靠性。

核心 idea：设计偏航不变的几何编码器 + 点级可靠性量化，共同提升 SCR 的鲁棒性。

方法详解¶

整体框架¶

原始点云 → 地面平面估计+平面矫正 → 圆柱投影（偏航维度变为平移） → 体素化 → 循环稀疏卷积提取多尺度特征 → 多头最大回归器输出场景坐标+可靠性分数 → 笛卡尔恢复 → 截断相对可靠性损失训练 → 推理时高可靠性点驱动 RANSAC 位姿估计。

关键设计¶

鲁棒投影式几何编码器（RPGE）:
- 功能：提取偏航不变的多尺度几何特征
- 核心思路：将点云通过圆柱投影变换为 \((x^p = s \cdot \arctan2(y', x'), y^p = \sqrt{x'^2 + y'^2}, z^p = z')\)，偏航旋转在投影空间中变为 x 方向的平移。体素化后用循环稀疏卷积处理偏航边界的不连续性（边界处的特征循环填充），初始特征仅用距离、高度和反射强度（不含偏航相关坐标）
- 设计动机：标准卷积在偏航边界处产生不连续特征，循环卷积保证了环形连续性；排除偏航相关坐标保证了初始特征的旋转不变性
截断相对可靠性损失（TRR）:
- 功能：建模点级可靠性，抑制退化区域的干扰
- 核心思路：网络同时预测场景坐标和可靠性分数 \(u_i\)，通过 arctan 缩放和截断将分数转化为自归一化权重 \(w_i\)，高可靠性点获得大权重、低可靠性点被抑制。损失 \(\mathcal{L}_{TRR} = \sum w_i \mathcal{L}_{raw,i}\)
- 设计动机：场景中不是所有点都适合重定位——动态物体、弱纹理区域的预测本质上不可靠，让网络学会"放弃"这些点而专注于可靠特征
多头最大回归器:
- 功能：从编码特征回归场景坐标
- 核心思路：将 512 维特征投影到 k×512 维（k=4 头），每维取各头最大值，堆叠 5 层这样的操作后接全连接层输出 3D 坐标+可靠性分数
- 设计动机：多头最大池化增强了特征的鲁棒性和表达力

损失函数 / 训练策略¶

截断相对可靠性损失（TRR）端到端训练。推理时选取 top-k 可靠性分数的点用 RANSAC 估计 6-DoF 位姿。

实验关键数据¶

主实验¶

数据集	指标	LEADER	之前SOTA	相对降低
Oxford RobotCar	位置误差(m)	0.63	0.83 (LightLoc)	-24.1%
NCLT	位置误差(m)	0.19	0.72 (SGLoc→LiSA)	-73.9%
Oxford	方向误差(°)	1.11	1.12	-0.9%

消融实验¶

配置	Oxford位置误差	NCLT位置误差	说明
Full LEADER	0.63	0.19	完整模型
w/o 循环卷积	增大	增大	偏航边界不连续
w/o TRR	增大	增大	不可靠点干扰
w/o 投影变换	增大	增大	偏航不变性缺失

关键发现¶

NCLT 数据集上改进最为显著（73.9%），因为 NCLT 包含更多偏航变化和退化区域
TRR 损失学到的可靠性分数与直觉一致——建筑立面等稳定结构高、地面和植被低
SCR 方法整体优于 APR 方法，因为显式利用了几何约束

亮点与洞察¶

圆柱投影+循环卷积：将偏航旋转问题优雅地转化为平移等变问题，计算上高效且理论上合理
自学习可靠性：网络自动学会区分可靠/不可靠区域，无需手动标注或语义先验

局限与展望¶

仅处理偏航旋转，俯仰和翻滚变化未显式建模
可靠性阈值的自适应选择仍可改进
未来可结合语义信息进一步提升可靠性估计

评分¶

新颖性: ⭐⭐⭐⭐ 投影变换+可靠性损失的组合简洁有效
实验充分度: ⭐⭐⭐⭐⭐ 两个权威数据集上大幅领先
写作质量: ⭐⭐⭐⭐ 方法描述清晰
价值: ⭐⭐⭐⭐ 对自动驾驶 LiDAR 定位有实际价值