International Conference on Computer Vision(ICCV)是计算机视觉领域的顶级国际会议，CCF A类会议。ICCV 2025将于2025年10月19日-10月23日在美国夏威夷举办，ICCV 2025共有11239份投稿，录用2698篇，录取率为24%。

RALoc: Enhancing Outdoor LiDAR Localization via Rotation Awareness  

旋转感知增强的户外点云视觉定位方法

现有基于隐式表达的激光雷达定位方法对旋转敏感，容易导致定位精度显著下降。针对以上问题，本文提出了旋转感知增强的户外点云视觉定位方法RALoc。RALoc设计了点云规范化模块，通过有效提取等变特征将输入点云转换至规范方向，有效消除旋转对点云定位的干扰。

该论文第一作者是厦门大学信息学院2023级硕士生杨煜阳、2021级博士生李文，通讯作者是王程教授。并由敖晟助理教授、徐青山(南洋理工大学)、于尚书(东北大学)、郭宇、周寅(GAC R&D Center)、沈思淇长聘副教授共同完成。

• RALoc论文简介

近年来，基于LiDAR的定位技术在自动驾驶、机器人导航和增强现实等领域展现出巨大应用潜力，其精确的6自由度位姿估计能力为这些领域的发展提供了关键技术支撑。

然而，在实际应用场景中，由于车辆转向、道路变更等动态因素导致的视角旋转变化，使得现有定位方法面临挑战。本文首次揭示了当前基于隐式表达的激光雷达定位方法对旋转变化敏感，导致模型难以从不同视角识别鲁棒的场景特征。

针对这一难题，本文提出了RALoc框架，实现了旋转鲁棒性的显著提升。首先，RALoc将等变网络架构引入场景坐标回归(SCR)领域，解决了方法对视角变化的敏感性。具体来说，RALoc通过PCC(Point cloud canonicalization)来将同一位置的点云转换到规范参考系下来减少旋转对模型的影响。其次，RALocc设计了一种新型的等变关键特征聚合(Equivariant Key Feature Aggregation)模块，通过减少真实场景中噪声点云的干扰，提升对旋转变化的鲁棒感知能力。最后，本文构建了旋转变化的大规模户外LiDAR定位数据集BiLiLo，为评估定位算法的旋转鲁棒性提供了真实可靠的测试平台。RALoc在Oxford Radar RobotCar数据集和明显旋转变化基准测试中的实验结果表明该方法在旋转变化下仍保持鲁棒性。

图2 RALoc流程图

表2 Oxford小幅度旋转场景下测试结果

表3 Oxford大幅度旋转场景下测试结果

表2和表3分别展示了RALoc在Oxford旋转场景下的定量对比结果。可以看出，在小幅度旋转(翻滚、俯仰、偏航角随机扰动10度)和大幅度旋转(偏航角随机扰动180度)的仿真场景下，RALoc取得了鲁棒的定位结果。

表4 BiLiLo数据集下测试结果

表4展示了RALoc在BiLiLo数据集的结果，使用相同的基线方法SGLoc，相比于基于数据增强的方法，RALoc在平移和旋转分别取得了42.5%和12%的性能提升。