Localización visual mediante técnicas de vista cruzada con imágenes satelitales
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13547Palabras clave:
Percepción y detección sensorial , Procesamiento de imágenes, Programación y visión, Integración de sensores y percepción, Estimación de pose , Aprendizaje profundo, Redes neuronales, Robot móvilResumen
El uso de recursos de libre acceso tales como imágenes satelitales utilizadas como mapas para la localización de robots móviles representa una ventaja significativa en términos de eficiencia temporal y económica, ofreciendo una extensa cobertura global sin necesidad de mapeo previo. Para la navegación autónoma de robots móviles se requiere además de una alta precisión en la posición y orientación. Para ello, en este artículo se adapta una arquitectura de aprendizaje profundo originalmente diseñada para estimar la pose bidimensional mediante la correlación de imágenes terrestres y satelitales. En concreto, se ha modificado la información terrestre por proyecciones esféricas generadas a partir de nubes de puntos de un sensor LiDAR 3D. El uso de este sensor aumenta sustancialmente la robustez del sistema frente a variaciones lumínicas, superando las limitaciones de las cámaras convencionales. Se ha realizado una evaluación experimental utilizando la base de datos KITTI, mediante la cual se ha demostrado la viabilidad del enfoque propuesto.
Referencias
Alfaro, M., Cabrera, J. J., Reinoso, ´O., Gil, A., Pay´a, L., 2025. Localizaci´on visual mediante im´agenes omnidireccionales y técnicas de fusi´on temprana. Jornadas de Autom´atica (46). DOI: 10.17979/ja-cea.2025.46.12239
Chen, X., L¨abe, T., Milioto, A., R¨ohling, T., Vysotska, O., Haag, A., Behley, J., Stachniss, C., 2020. OverlapNet: Loop Closing for LiDAR-based SLAM. In: Proceedings of Robotics: Science and Systems (RSS). DOI: 10.15607/RSS.2020.XVI.009
Fervers, F., Bullinger, S., Bodensteiner, C., Arens, M., Stiefelhagen, R., 2022. Continuous Self-Localization on Aerial Images Using Visual and Lidar Sensors. In: 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). pp. 7028–7035. DOI: 10.1109/IROS47612.2022.9982195
Fu, M., Zhu, M., Yang, Y., Song, W., Wang, M., 2020. Lidar-based vehicle localization on the satellite image via a neural network. Robotics and Autonomous Systems 129, 103519. DOI: https://doi.org/10.1016/j.robot.2020.103519
Geiger, A., Lenz, P., Stiller, C., Urtasun, R., 2013. Vision meets robotics: The KITTI dataset. The international journal of robotics research 32 (11), 1231–1237. DOI: 10.1177/0278364913491297
Guo, J., Amayri, M., Bouguila, N., Liu, X., Fan, W., 2026. Enhancing rotation-invariant 3d learning with global pose awareness and attention mechanisms. In: Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 40. pp. 4403–4411.
Hu, S., Feng, M., Nguyen, R. M., Lee, G. H., 2018. CVM-Net: Cross-View Matching Network for Image-Based Ground-to-Aerial Geo-Localization. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 7258–7267. DOI: 10.1109/CVPR.2018.00758
Kang, S., Liao, M. Y., Xia, Y., Wysocki, O., Jutzi, B., Cremers, D., 2025. OPAL: Visibility-aware LiDAR-to-OpenStreetMap Place Recognition via Adaptive Radial Fusion. arXiv preprint arXiv:2504.19258. DOI: 10.48550/arXiv.2504.19258
Li, L., Kong, X., Zhao, X., Huang, T., Li, W., Wen, F., Zhang, H., Liu, Y., 2022. RINet: Efficient 3D Lidar-Based Place Recognition Using Rotation Invariant Neural Network. IEEE Robotics and Automation Letters 7 (2), 4321–4328. DOI: 10.1109/LRA.2022.3150499
Macario Barros, A., Michel, M., Moline, Y., Corre, G., Carrel, F., 2022. A Comprehensive Survey of Visual SLAM Algorithms. Robotics 11 (1), 24. DOI: 10.3390/robotics11010024
Shi, Y., Li, H., 2022. Beyond cross-view image retrieval: Highly accurate vehicle localization using satellite image. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 17010–17020. DOI: 10.1109/CVPR52688.2022.01650
Shi, Y., Liu, L., Yu, X., Li, H., 2019. Spatial-aware feature aggregation for image based cross-view geo-localization. Advances in Neural Information Processing Systems 32.
Sinnott, R. W., 1984. Virtues of the haversine. Sky and Telescope 68 (2), 159.
Wang, S., Zhang, Y., Perincherry, A., Vora, A., Li, H., 2023. View Consistent Purification for Accurate Cross-View Localization. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. pp. 8197–8206. DOI: 10.1109/ICCV51070.2023.00753
Xia, Z., Booij, O., Kooij, J. F., 2023. Convolutional Cross-View Pose Estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence 46 (5), 3813–3831. DOI: 10.1109/TPAMI.2023.3346924
Zhang, X., Wang, L., Su, Y., 2021. Visual place recognition: A survey from deep learning perspective. Pattern Recognition 113, 107760. DOI: https://doi.org/10.1016/j.patcog.2020.107760
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Míriam Máximo, Judith Vilella-Cantos, María Flores, Luis Payá, David Valiente, Mónica Ballesta
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
