The Coastline as a Structural Constraint: Harnessing Scene Geometry for Autonomous Surface Vessel Localization
作者: Derek R. Benham, Joshua G. Mangelson
分类: cs.RO, cs.CV
发布日期: 2026-08-21
备注: 22 pages, 13 figures, 7 tables
💡 一句话要点
提出基于海岸线几何的自主水面船舶定位方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自主水面船舶 海岸线定位 LiDAR技术 被动图像处理 语义分割 层次因子图 GPS缺失 海洋导航
📋 核心要点
- 现有的自主水面船舶定位方法在GPS缺失的情况下面临准确性不足和长期漂移等挑战。
- 本文提出的框架通过结合LiDAR和被动图像，利用海岸线几何信息来实现高精度定位。
- 在三个真实的海岸数据集上，LiDAR方法显著提高了轨迹精度，而单目方法有效控制了长期漂移。
📝 摘要（中文）
沿海环境中蕴含丰富的几何结构，可为全球定位提供线索。本文提出两种互补的定位框架，利用海岸线和水面几何进行GPS缺失的自主水面船舶定位。第一种框架利用LiDAR观测水面，估计船舶的俯仰、滚转和垂直运动，同时通过与卫星获取的海岸线地图直接配准来恢复全球位置和航向。第二种框架仅依赖被动图像，通过语义分割检测海岸线和地平线。通过单目图像推断海岸线距离，并将海岸线观测累积为短时局部子图，与卫星获取的海岸线地图配准，并在层次因子图中融合。实验证明，LiDAR管道在真实海岸数据集上显著提高了轨迹精度，而单目架构则保持了长期漂移的边界。现代零样本基础模型能够可靠提取多样海岸环境中的海岸线观测，表明海岸几何为GPS缺失的海洋定位提供了强大可靠的信息源。
🔬 方法详解
问题定义：本文旨在解决自主水面船舶在GPS缺失情况下的定位问题。现有方法往往依赖GPS，导致在复杂海岸环境中定位精度不足，且存在长期漂移现象。
核心思路：论文提出的解决思路是利用海岸线和水面几何特征，通过LiDAR和被动图像相结合的方法，提供可靠的全球定位信息。这样设计的原因在于海岸线的几何结构在沿海环境中具有稳定性和可重复性。
技术框架：整体架构包括两个主要模块：第一模块使用LiDAR数据进行水面几何的分析，估计船舶的姿态和位置；第二模块则通过语义分割技术处理被动图像，提取海岸线信息。两个模块的输出通过层次因子图进行融合，以提高定位精度。
关键创新：最重要的技术创新在于将海岸线几何结构作为定位的主要依据，利用LiDAR和被动图像的互补特性，显著提升了在GPS缺失情况下的定位能力。这与传统方法依赖GPS信号的本质区别在于，前者不再受限于信号可用性。
关键设计：在LiDAR模块中，采用了特定的滤波算法来处理水面反射数据；在被动图像模块中，使用了先进的深度学习模型进行语义分割，确保海岸线的准确提取。损失函数设计上，结合了位置误差和姿态误差，以优化整体定位性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，LiDAR方法在三个真实海岸数据集上的轨迹精度显著优于标准基线，具体提升幅度未知。同时，单目架构有效控制了长期漂移，确保了定位的稳定性。这些结果表明，海岸几何信息在GPS缺失情况下的定位中具有重要作用。
🎯 应用场景
该研究的潜在应用领域包括无人船舶导航、海洋监测和环境保护等。通过提供高精度的定位能力，能够在GPS信号缺失的情况下，支持自主水面船舶在复杂海岸环境中的安全航行，具有重要的实际价值和未来影响。
📄 摘要（原文）
Coastal environments contain rich, largely unexploited geometric structure capable of providing globally referenced localization cues. In this work, we present two complementary localization frameworks that exploit shoreline and water-surface geometry for GPS-denied autonomous surface vessel localization. The first framework leverages LiDAR observations of the water surface to estimate roll, pitch, and heave (vertical motion), while recovering global position and heading through direct registration of shoreline observations against a satellite-derived coastline map. The second framework relies solely on passive imagery to detect the shoreline and horizon through semantic segmentation. Using the proposed coastal scene geometry, shoreline distance is inferred from monocular imagery. Shoreline observations are accumulated into short-duration local submaps, registered against the same satellite-derived coastline map, and fused within a hierarchical factor graph. Evaluated across three real-world coastal datasets, the LiDAR pipeline consistently improves trajectory accuracy over standard baselines, while the monocular architecture maintains bounded long-term drift. In addition, we establish that modern zero-shot foundation models can reliably extract shoreline observations across diverse coastal environments. Together, these results demonstrate that coastal geometry provides a powerful and dependable source of globally referenced information for GPS-denied maritime localization.