Spatial Structure in UAV Visual Geolocalization: Controlled Evaluation of Descriptor Pooling and Geographic Index Partitioning
本文通过在合成数据和真实飞行数据上的受控实验，挑战了无人机视觉地理定位中的两个常见假设，即径向结构化描述符池化和地理索引分区均不能提高性能，且后者实际上降低了准确性和效率，而使用 384 维类别标记（class token）的简单扁平索引即可在嵌入式硬件上实现鲁棒的定位。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一架无人机正飞越一片景观，其 GPS 信号突然被干扰器或峡谷阻断。失去了这一数字生命线，飞行器必须仅凭双眼寻找路径，将下方的景象与它记忆中携带的精神地图进行匹配。这就是视觉地理定位的挑战：教会机器通过观察地面来识别自己的位置，即使天空无法提供坐标。多年来，工程师们一直认为，要让这项工作表现良好，计算机需要精确关注特征在图像中出现的位置，并将它们组织成一种结构化的模式。他们还认为，为了快速搜索大型地图，计算机应该将领土划分为更小、更易于管理的区块，首先检查最有可能的区域。这些想法看似合乎逻辑，但从未在真正搭载于无人机上的小型、低功耗计算机上，针对最简单的替代方案进行过严格测试。
来自斯洛伐克拉斯蒂斯拉夫·施特凡尼克武装部队学院的研究小组着手验证这些假设。他们构建了一个完整的系统，测试无人机如何在斯洛伐克北部的特定区域内定位，该区域覆盖了近 18 平方公里的农业和半城市化地形。他们使用了一个强大的、预训练的视觉模型，该模型充当通用的特征提取器，能够在无需学习特定任务的情况下识别形状和纹理。随后，研究人员比较了将无人机相机图像转化为数字签名（或描述符）以与地图图块数据库进行匹配的不同方法。他们测试了将这些签名按空间布局进行组织的流行理念，以及将地图划分为地理区域的做法，将这些复杂的方法与一种更为简单的方法进行对决：将整个图像视为一个单一的、扁平的特征集合，并一次性搜索整张地图。
结果是对这些复杂策略的明确拒绝。研究人员发现，将特征组织成同心圆的方法创建了一个比简单版本大八倍的描述符，其表现明显更差。这种方法在寻找正确位置时的准确度较低，且需要更多的计算能力。即使他们尝试将图像旋转四个方向以应对无人机未知的航向，系统也变得慢了近四倍且更加耗能，但并未提高准确度。将地图拆分为更小地理区域以加速搜索的想法也失败了。这种分区非但没有使过程更快或更高效，反而使错误率在某些情况下增加了高达八倍，并在无人机的计算机上减慢了搜索速度。管理这些区域所带来的额外复杂性消耗了比直接搜索整张地图更多的内存和处理时间。
最终，最有效的解决方案竟然是那个看起来过于基础的方案。一种简单的、全局性的图像描述，结合对整张地图的直接搜索，被证明是最准确且最高效的方法。在无人机的嵌入式计算机上，这一精简的流水线处理一帧真实飞行图像仅需约 136 毫秒，每帧消耗能量仅为 1.65 焦耳。该系统成功地将无人机定位在真实飞行数据中的中值距离 68.7 米内，即使在无人机以不同高度和速度飞行时，这一结果依然成立。研究表明，对于这种规模的地图，工程投入最好花在其他问题上，例如补偿无人机的朝向或调整光照和比例的差异，而不是试图强行将图像数据纳入复杂的空间结构。研究结果表明，有时最直接的路径才是最有效的路径，而为这些系统提出的额外组织层级往往反而成为了阻碍。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。