LifelongPR：基于样本回放和提示学习的终身点云地点识别技术

《IEEE Transactions on Intelligent Transportation Systems》：LifelongPR: Lifelong Point Cloud Place Recognition Based on Sample Replay and Prompt Learning

点云位置识别（PCPR）在持续学习框架中面临灾难性遗忘问题，本文提出LifelongPR方法通过动态样本选择和轻量级连续提示模块实现知识迁移与领域适应，实验表明其m@1、mr@1指标分别提升6.50%和7.96%，F值降低8.95%。

　　

摘要：

点云位置识别（Point Cloud Place Recognition, PCPR）能够在预先构建的地图中确定地理位置，在摄影测量和机器人技术应用中发挥着关键作用，例如自动驾驶、智能交通和增强现实。在实际的大规模地理定位系统部署中，PCPR模型必须不断获取、更新和积累知识，以适应多样化和动态的环境，这种能力被称为持续学习（Continual Learning, CL）。然而，现有的PCPR模型常常存在灾难性遗忘问题，即在适应新环境或新类型传感器时，之前学习到的信息会显著丢失，从而导致性能下降。这不仅影响了模型的可扩展性，还增加了维护成本和系统部署的难度，削弱了PCPR的实际应用价值。为了解决这些问题，我们提出了LifelongPR，这是一种新颖的持续学习框架，能够有效地从连续的点云数据中提取和融合知识。首先，为了减轻知识损失，我们提出了一种重放样本选择方法，该方法根据每个数据集的信息量动态分配样本大小，并选择空间上具有多样性的样本以最大化代表性。其次，为了应对领域变化，我们设计了一个基于提示学习的CL框架，该框架包含一个轻量级的连续提示模块和两阶段训练策略，能够在最小化遗忘的同时实现特定领域的特征适应。我们在大规模的公开数据和自收集数据集上进行了全面实验，以验证所提方法的有效性。与现有技术（State-of-the-Art, SOTA）相比，我们的方法在mI@1指标上提高了6.50%，在mR@1指标上提高了7.96%，在F指标上降低了8.95%。代码和预训练模型可在https://zouxianghong.github.io/LifelongPR公开获取。