Reamostragem de Partículas Baseada em Atenção em Filtros de Reamostragem de Importância Sequencial para Desempenho Aprimorado da Odometria Visual

A estimativa precisa do estado é essencial para a condução autônoma em ambientes sem sistema global de navegação por satélite (GNSS). Filtros de partículas, particularmente a reamostragem de importância sequencial (SIR), são amplamente utilizados para fusão de sensores, mas sofrem com degeneração de pesos e empobrecimento de partículas durante a reamostragem. Para resolver isso, propomos o Particle Transformer, uma estrutura de reamostragem baseada em aprendizado profundo que combina atenção multi-cabeça ponderada para modelagem de importância das partículas e um autoencoder variacional (VAE) para preservação da diversidade. Uma estratégia adaptativa baseada no tamanho efetivo da amostra (ESS) equilibra ainda mais a precisão e eficiência. Experimentos no conjunto de dados de odometria KITTI mostram 3,0% menor erro absoluto de trajetória (ATE) e 21,2% menor erro relativo de pose (RPE) em comparação com a reamostragem sistemática, enquanto mantém máxima diversidade com apenas 6,4 ms por quadro.