Új módszer 36%-kal javítja a drónpozícionálást szemantikus 3D modellekkel
Az új SemCityLoc rendszer szemantikus 3D városmodellekkel javítja a drónok pozícionálását, akár 36%-kal növelve a visszahívást és 2,62 méterre csökkentve az átlagos hibát.
A drónok pozícionálása eddig precíz GNSS-jelekre vagy nagy felbontású 3D-s rekonstrukciókra támaszkodott, ami korlátozta a skálázhatóságot és a fedélzeti rendszerekre való telepítést. Albert Chen és kutatócsoportja most bemutatta a SemCityLoc rendszert, amely szemantikus és geometriai illesztéssel reframeli a légi pozícióbecslést. A módszer a vizuális előzetesek és a szabványosított, LoD-kompatibilis 3D városmodellek közötti regisztrációra épít.
Ehelyett a hagyományos kontúr- vagy textúraillesztés helyett a SemCityLoc szemantikus felületeket és monokuláris mélységi adatokat illeszt könnyűsúlyú, szemantikus 3D épületmodellekhez. Ez növeli a pozíció megkülönböztethetőségét ismétlődő és akadályokkal teli városi környezetben. A kutatók által az arXiv-en publikált tanulmány szerint a rendszer jelentős, akár 36%-os javulást mutat a visszahívásban a korábbi térkép alapú megközelítésekhez képest.
Kapcsolódó: 3D környezetek műholdképek alapján
Új teljesítményteszt a valós tesztekhez
A pontos értékelés érdekében a kutatók bevezették a SemCityLockeD teljesítménytesztet, amely az első olyan valós tesztkörnyezet, amely centiméterpontos drónpozíciókat, szabványosított LoD1–LoD3 szemantikus városmodelleket és kihívást jelentő, alacsony magasságú felvételeket kombinál. A kísérletek során az átlagos pozíciós hiba 9,89 méterről 2,62 méterre csökkent a kihívást jelentő városi környezetekben.
Kapcsolódó: úthibák felismerése drónokkal
Szemantikus geometria a pontosságért
Az eredmények azt mutatják, hogy a szemantikailag strukturált geometria elegendő és skálázható korlátokat biztosít a nagy pontosságú légi pozícionáláshoz, anélkül, hogy radiometrikus jelen rekonstrukciókra lenne szükség. A SemCityLoc rendszer és az ahhoz kapcsolódó adatok a https://albertchen98.github.io/SemCityLoc címen érhetők el.
Kapcsolódó: VLM-ek 3D-s modellekhez
A tanulmányt Albert Chen és szerzőtársai publikálták az arXiv előnyomtatott formában, 2026. június 27-én.
Kapcsolódó: nyelvi modellek tanulási helye