在自動(dòng)駕駛的日常測(cè)試視頻里，我們常能看到這樣的場(chǎng)景：

一輛無(wú)人車駛?cè)胗纳畹牡叵萝噹?kù)，GPS 信號(hào)瞬間罷工，它只能靠激光雷達(dá)掃描周圍環(huán)境，試圖弄清楚 “我在哪”。然而，車輛可能已經(jīng)原地掉頭，拐過了好幾個(gè)彎，周圍只有冰冷的墻壁和立柱。就像你蒙上眼睛轉(zhuǎn)了幾圈，再睜開眼，面對(duì)一片空白的天花板，要準(zhǔn)確說出自己面對(duì)的方向和所處的位置。

激光雷達(dá)重定位要解決的正是這個(gè)難題：僅憑一幀點(diǎn)云片段，估計(jì)出自己在全球坐標(biāo)系中的 6 自由度位姿。

目前主流方法遵循 “檢索 - 配準(zhǔn)” 范式，其精度可達(dá)分米級(jí)，但其存儲(chǔ)和計(jì)算壓力會(huì)隨場(chǎng)景規(guī)模急劇膨脹；另一種使用神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)位姿的方法（包括 APR 和 SCR），可實(shí)現(xiàn)十毫秒級(jí)的迅速響應(yīng)，但其對(duì)角度敏感，精度僅在亞米級(jí)。就像天平的兩端，精度和效率似乎難以兼得，但

我全都要！廈門大學(xué)、布里斯托大學(xué)聯(lián)合提出激光雷達(dá)重定位方法LEADER，不僅實(shí)現(xiàn)十毫秒級(jí)的 “睜眼” 即定位，而且精度超越傳統(tǒng)的 “檢索 - 配準(zhǔn)” 方法！

這項(xiàng)工作已被 CVPR 2026 接收為 Highlight，代碼和模型將全面開源！

• 論文標(biāo)題：LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
• 論文鏈接：https://arxiv.org/abs/2604.11355
• 倉(cāng)庫(kù)鏈接：https://github.com/JiansW/LEADER

從效率專長(zhǎng)，到效率性能兩開花

場(chǎng)景坐標(biāo)回歸（SCR）方法在預(yù)測(cè)位姿時(shí)不需要顯式存儲(chǔ)地圖，而是使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)場(chǎng)景點(diǎn)的世界坐標(biāo)，再通過 RANSAC 類方法預(yù)測(cè)當(dāng)前的位姿。由于采用了 RANSAC 類幾何約束，在穩(wěn)定性方面通常優(yōu)于絕對(duì)位姿回歸（APR）方法。

相比傳統(tǒng)的 “檢索 - 配準(zhǔn)” 模式，SCR 省去了顯式存儲(chǔ)點(diǎn)云特征的開銷，也不會(huì)因地圖增大導(dǎo)致存儲(chǔ)和計(jì)算成本飆升。但長(zhǎng)期以來(lái)，SCR 方法精度維持在米級(jí)到亞米級(jí)，和 “檢索 - 配準(zhǔn) “方法相比呈現(xiàn)明顯的劣勢(shì)。于是作者提出了一個(gè)問題：

SCR 方法精度上真的無(wú)法比擬 “檢索 - 配準(zhǔn)” 方法嗎？

這是論文出發(fā)的核心：既然 SCR 在存儲(chǔ)開銷和計(jì)算延遲上都存在明顯的優(yōu)勢(shì)，如何讓其在保留這些優(yōu)勢(shì)的基礎(chǔ)上，精度比肩甚至超越 “檢索 - 配準(zhǔn)” 方法？

作者發(fā)現(xiàn)，有兩個(gè)明顯影響 SCR 精度的因素：

• 旋轉(zhuǎn)敏感：汽車在行駛過程中，如果轉(zhuǎn)個(gè)彎，精度會(huì)大幅下降，甚至?xí)膩喢灼频?10m 開外；
• 退化區(qū)域：環(huán)境中存在大量的噪聲和重復(fù)結(jié)構(gòu)區(qū)域，比如長(zhǎng)直走廊、空曠的地面等。要在這些高度相似的區(qū)域中找到其對(duì)應(yīng)的世界坐標(biāo)，就像讓人盯著白墻找指紋，只會(huì)輸出一堆 “幻覺對(duì)應(yīng)”。

圖 1：LEADER 框架圖

LEADER：讓點(diǎn)云 “轉(zhuǎn)不暈”，

讓壞點(diǎn) “靠邊站”

作者提出的 LEADER 框架，用以下幾乎零開銷的組件解決了以上痛點(diǎn)：

柱面投影 + 循環(huán)稀疏卷積（Spatial Transformation + Cartesian Recovery）：在自動(dòng)駕駛中，旋轉(zhuǎn)問題往往集中在偏航角上。因此作者將點(diǎn)云進(jìn)行柱面投影，并輔以循環(huán)稀疏卷積來(lái)處理角度銜接的問題，從而實(shí)現(xiàn)對(duì)偏航角不變的特征，不管車頭朝南還是朝北，都擁有同一套穩(wěn)定表示。此外，通過檢測(cè)地面點(diǎn)來(lái)將點(diǎn)云校正至水平，獲得了一定的俯仰角和橫滾角魯棒性。

TRR 損失（Truncated Relative Reliability Loss）：每個(gè)點(diǎn)的質(zhì)量不同，預(yù)測(cè)的難易程度差距很大，但我們不可能為場(chǎng)景中的每個(gè)點(diǎn)去人工標(biāo)注質(zhì)量信息。實(shí)際上，哪些點(diǎn)難以預(yù)測(cè)，模型在訓(xùn)練時(shí)就已經(jīng) “告訴” 我們了，那就是每個(gè)點(diǎn)訓(xùn)練時(shí)的歐氏距離損失。因此，在預(yù)測(cè)世界坐標(biāo)的同時(shí)，作者還讓模型預(yù)測(cè)每個(gè)點(diǎn) “好不好預(yù)測(cè)”，即 “置信度”。對(duì)于容易預(yù)測(cè)的點(diǎn)，置信度更高，反之則低。

那么，如何讓模型在無(wú)置信度相關(guān)真值的情況下實(shí)現(xiàn)置信度的預(yù)測(cè)呢？作者設(shè)計(jì)了以下的 TRR 損失：

等號(hào)右側(cè)的求和符號(hào)內(nèi)，是每個(gè)點(diǎn)的訓(xùn)練權(quán)重 w 和其歐氏距離損失 L 相乘。而訓(xùn)練權(quán)重則是由置信度歸一化得到的，這就相當(dāng)于給模型指明了一條路：

如果某個(gè)點(diǎn)很難精準(zhǔn)預(yù)測(cè)，即損失很難下降，那么模型可以給其輸出一個(gè)很低的置信度，這樣該點(diǎn)的訓(xùn)練權(quán)重就會(huì)降低，最終降低總損失。而在置信度歸一化的過程中，作者限制了其范圍，這避免置信度范圍過大，從而出現(xiàn)模型只專注于學(xué)習(xí)少數(shù)點(diǎn)的問題。

在 RANSAC 階段，作者選擇高置信度的點(diǎn)來(lái)擬合位姿，進(jìn)一步削弱了 “壞點(diǎn)” 的影響。

實(shí)驗(yàn)結(jié)果：全面領(lǐng)先

在 NCLT 數(shù)據(jù)集上，LEADER 大幅超越了當(dāng)前的隱式神經(jīng)網(wǎng)絡(luò)方法（APR 和 SCR），定位精度從 APR 的 1.19 m 和 SCR 的 1.51 m 提升至 0.31 m：

表 1：NCLT 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

作者還與同樣具有旋轉(zhuǎn)魯棒性的 “檢索 - 配準(zhǔn)” 方法 RING/RING++ 進(jìn)行了對(duì)比，并取兩種方法中最優(yōu)值作為參考。在同樣 xy 平面上的定位精度中，LEADER 的平均定位精度達(dá)到 0.28 m，大幅超越了 RING/RING++ 方法；5 m 內(nèi)的失敗率僅 0.28%，不到 RING/RING++ 失敗率的 1 / 25，甚至在基本不受失敗率影響的中位數(shù)上，LEADER 的 0.21 m 也明顯領(lǐng)先：

表 2：與 “檢索 - 配準(zhǔn)” 方法的對(duì)比結(jié)果

置信度分析：

讓模型學(xué)會(huì) “有所取舍”

在 NCLT 數(shù)據(jù)集上，旋轉(zhuǎn)問題并不突出，為什么 LEADER 仍然有如此大的提升？TRR 損失引入了置信度信息，作者對(duì)該模塊進(jìn)行了分析，首先對(duì)測(cè)試集中所有點(diǎn)按其置信度進(jìn)行了排序，并繪制了點(diǎn)的置信度和預(yù)測(cè)誤差之間的關(guān)系：

圖 2：點(diǎn)置信度與預(yù)測(cè)誤差的關(guān)系

可以看到，兩者呈現(xiàn)明確的反相關(guān)，說明在預(yù)測(cè)階段置信度信息非常有效。而預(yù)測(cè)階段僅使用置信度高的點(diǎn)也進(jìn)一步排除了 “壞點(diǎn)” 的影響。

作者還將 TRR 和常規(guī)的歐式距離損失進(jìn)行了對(duì)比：

圖 3：TRR 模塊的消融實(shí)驗(yàn)

結(jié)果表明，TRR 損失不僅能讓模型在訓(xùn)練中自適應(yīng)調(diào)整每個(gè)點(diǎn)的權(quán)重，從而實(shí)現(xiàn)置信度預(yù)測(cè)，而且使預(yù)測(cè)出的高精度點(diǎn)的比例翻倍。

后記

這給了我們一個(gè)啟示，在并不需要完整記憶所有內(nèi)容的場(chǎng)景中，與其讓模型去死記硬背那些難以學(xué)習(xí)的數(shù)據(jù)，不如讓模型自己選擇應(yīng)該記住什么。因?yàn)閰?shù)一旦確定，模型的記憶容量就是固定的，“壞點(diǎn)” 會(huì)消耗模型大量的容量去嘗試記住它們，結(jié)果不僅記不住，反而會(huì)干擾訓(xùn)練，影響 “好點(diǎn)” 的數(shù)量。

有時(shí)候，模型并非越復(fù)雜越有效，核心模塊往往恰恰是其中簡(jiǎn)單的部分，如果能分析出模型的瓶頸因素，并為其 “引流”，即可能引發(fā)質(zhì)變，簡(jiǎn)約而不失優(yōu)雅。

作者介紹

本文第一作者來(lái)自廈門大學(xué)信息學(xué)院空間感知與計(jì)算實(shí)驗(yàn)室（ASCLab）2023 級(jí)碩士生吳建實(shí)，通訊作者為廈門大學(xué)敖晟助理教授，并由朱明航、劉敦強(qiáng)、李文（布里斯托大學(xué)）、沈思淇副教授、溫程璐教授、王程教授共同合作完成。研究團(tuán)隊(duì)長(zhǎng)期聚焦定位相關(guān)的算法研究。

實(shí)驗(yàn)室主頁(yè)：https://asc.xmu.edu.cn/