盖世汽车讯 在无GPS信号的情况下实现精准导航仍是越野机器人面临的一项重大挑战，而研究人员目前正展示该领域取得的重大突破。据外媒报道，来自德克萨斯大学奥斯汀分校（The University of Texas at Austin）和美国陆军发展司令部研究实验室（DEVCOM Army Research Laboratory）的Dongmyeong Lee、Jesse Quattrociocchi和Christian Ellis，以及来自德克萨斯大学奥斯汀分校和美国陆军发展司令部研究实验室的Rwik Rana和Amanda Adkins，共同提出一种名为BEV-Patch-PF（鸟瞰图-图像块-粒子滤波器，全称Bird’s-Eye View-Patch-Particle Filter）的新型地理定位系统。

该系统无需依赖卫星信号即可实现卓越定位精度。这种创新方法将粒子滤波与学习到的鸟瞰图和航拍特征图相结合，使机器人能够利用机载摄像头和本地航拍图像构建对周围环境的详细理解。研究团队证明，与现有方法相比，BEV-Patch-PF在熟悉的路线和全新的路线上都能将轨迹误差降低七倍，更重要的是，即使在植被茂密、阴影重重、GPS信号不稳定的复杂越野环境中也能保持定位精度，从而为稳健的实时机器人部署铺平道路。

图片来源： https://arxiv.org/abs/2512.15111

BEV-Patch-PF系统利用神经网络从图像中学习稳健的特征表示，并将其与预先构建的地图进行匹配，从而估计车辆的位置。该方法通过学习对光照、视角和季节变化具有鲁棒性的特征，克服现有技术的局限性。该系统将这些学习到的特征集成到粒子滤波器中，粒子滤波器是一种概率方法，维护关于车辆姿态的多个假设，并根据传感器测量结果更新这些假设。

一项关键进展是使用可微粒子平滑器，这使整个定位流程能够通过基于梯度的学习进行优化。这使得系统能够从定位误差中学习并持续提升性能。研究人员在一个大规模数据集上评估该方法，结果表明其性能优于现有技术。该系统采用Swin变压器模型v2（Swin Transformer v2）网络进行特征提取，并使用DINOv3自监督学习模型进行预训练，以增强鲁棒性和泛化能力。该方法通过提取先前遍历环境过程中捕获的图像特征来构建地图。

在定位过程中，系统会从新图像中提取特征，并将其与地图数据库进行匹配。然后，粒子滤波器会基于这些特征匹配结果估计车辆的姿态，并通过可微粒子平滑器进一步优化，以最大限度地减少定位误差。结果表明，该方法在Tartandrive 2.0数据集上取得最先进的性能，与现有技术相比，其对环境变化具有更强的鲁棒性，即使在复杂的越野条件下也能实现精确定位。

研究人员利用车载RGB和深度图像构建详细的BEV特征图，从而提供周围地形一致的地面表示。对于每个假设的机器人姿态，研究团队会从局部航拍图像中提取相应的图像块，从而创建一个来自上方的视觉比较点。然后，将该空中图像块与构建的BEV特征图直接比较，从而实现对姿态精度的精确评估。

该系统通过匹配这些特征计算每个粒子的对数似然值，从而实现连续概率滤波并降低单帧定位固有的歧义。该系统设计用于在标准硬件上以10Hz的频率实时运行，便于实际的机器人部署。在真实越野数据集上进行的实验表明，与基线方法相比，该系统显著提高定位精度，在熟悉和之前未见过的路线上，绝对轨迹误差均降低七倍。即使在茂密的树冠和阴影下，该系统也能保持精度，展现了其在复杂环境中的鲁棒性，并为越野机器人定位树立新的标杆。

这项突破是通过直接匹配地面视图和空中视图之间的学习特征实现的，从而避免传统基于网格方法的局限性。研究团队在TartanDrive数据集和新推出的CDS数据集上验证系统的性能，CDS数据集专门用于测试在茂密树冠和阴影下的性能。测量结果证实，该系统在Tesla T4处理器上以10Hz的频率实时运行，使得实际机器人部署成为可能，证实了其在机器人平台上实际应用的潜力。研究人员通过使用TensorRT优化推理引擎并提供一个开源的C++ ROS 2封装器实现这一性能，从而促进该系统在越野机器人领域的更广泛应用和进一步发展。新的CDS数据集和基准测试为评估复杂条件下的跨视图定位提供了宝贵的资源，验证所提出方法在复杂自然环境中的鲁棒性。研究人员通过现场测试验证该系统，仅使用轮式里程计和手动图形用户界面（GUI，全称Graphical User Interface）选择进行初始姿态估计，即可成功初始化和运行该系统。