CVPR 2026 Highlight|超越传统检索方法！我们的激光雷达重定位方法在精度和效率上双丰收
在自动驾驶的日常测试视频里，我们常能看到这样的场景：
一辆无人车驶入幽深的地下车库，GPS 信号瞬间罢工，它只能靠激光雷达扫描周围环境，试图弄清楚 “我在哪”。然而，车辆可能已经原地掉头，拐过了好几个弯，周围只有冰冷的墙壁和立柱。就像你蒙上眼睛转了几圈，再睁开眼，面对一片空白的天花板，要准确说出自己面对的方向和所处的位置。
激光雷达重定位要解决的正是这个难题：仅凭一帧点云片段，估计出自己在全球坐标系中的 6 自由度位姿。
目前主流方法遵循 “检索 - 配准” 范式，其精度可达分米级，但其存储和计算压力会随场景规模急剧膨胀；另一种使用神经网络直接预测位姿的方法（包括 APR 和 SCR），可实现十毫秒级的迅速响应，但其对角度敏感，精度仅在亚米级。就像天平的两端，精度和效率似乎难以兼得，但
我全都 要！ 厦门大学、布里斯托大学联合提出激光雷达重定位方法 LEADER ，不仅实现十毫秒级的 “睁眼” 即定位，而且精度超越传统的 “检索 - 配准” 方法！
这项工作已被 CVPR 2026 接收为 Highlight，代码和模型将全面开源！
论文标题：LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
论文链接：https://arxiv.org/abs/2604.11355
仓库链接：https://github.com/JiansW/LEADER
从效率专长，到效率性能两开花
场景坐标回归（SCR）方法在预测位姿时不需要显式存储地图，而是使用神经网络预测场景点的世界坐标，再通过 RANSAC 类方法预测当前的位姿。由于采用了 RANSAC 类几何约束，在稳定性方面通常优于绝对位姿回归（APR）方法。
相比传统的 “检索 - 配准” 模式，SCR 省去了显式存储点云特征的开销，也不会因地图增大导致存储和计算成本飙升。但长期以来，SCR 方法精度维持在米级到亚米级，和 “检索 - 配准 “方法相比呈现明显的劣势。于是作者提出了一个问题：
SCR 方法精度上真的无法比拟 “检索 - 配准” 方法吗？
这是论文出发的核心：既然 SCR 在存储开销和计算延迟上都存在明显的优势，如何让其在保留这些优势的基础上，精度比肩甚至超越 “检索 - 配准” 方法？
作者发现，有两个明显影响 SCR 精度的因素：
旋转敏感：汽车在行驶过程中，如果转个弯，精度会大幅下降，甚至会从亚米漂移到 10m 开外；
退化区域：环境中存在大量的噪声和重复结构区域，比如长直走廊、空旷的地面等。要在这些高度相似的区域中找到其对应的世界坐标，就像让人盯着白墙找指纹，只会输出一堆 “幻觉对应”。