研究人员开发了 UQ-Loc，一种不确定性感知的激光雷达场景坐标回归新方法。该方法通过预测每个体素的完整协方差矩阵来扩展现有的 LightLoc 架构，从而量化了偶然不确定性。UQ-Loc 在训练中使用了负对数似然损失和基于 kNN 的正则化器，在推理中使用了修改后的 SC2-PCR 求解器。该系统通过预期的校准误差进行评估，证明了其改进的定位精度和良好校准的不确定性预测。 AI
影响 通过量化不确定性，增强了基于激光雷达的定位系统的鲁棒性和决策能力。
排序理由 该集群描述了一篇详细介绍激光雷达场景坐标回归新方法的最新研究论文。
- Expected Calibration Error
- kNN-based spatial smoothness regulariser
- lidar
- LightLoc
- Mahalanobis distance
- Negative Log-Likelihood loss
- SC2-PCR solver
- Scene Coordinate Regression Forests for Camera Relocalization in RGB-D Images
- UQ-Loc
- arXiv
- logarithmic loss
- SC2-PCR
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
