同时定位与建图(SLAM)在视觉机器人导航等下游应用中仍然具有挑战性,原因包括但不限于快速转弯、无特征墙壁、图像质量差等。本文作者提出了一种粒子滤波的SLAM网络(Particle SLAM-net)和一种导航框架,可以使平面机器人能够在以前没见过的室内环境中进行导航。SLAM网络将基于粒子滤波的SLAM算法编码到可微计算图中,通过粒子滤波算法进行反向传播学习面向任务的神经网络组件。由于它能够为最终目标联合优化所有模型组件,SLAM-net能够在具有挑战性的条件下保持鲁棒性。作者在Habitat平台上用不同的真实RGB和RGB-D数据集进行了实验。SLAM-net在噪声环境下的性能明显优于广泛采用的ORB-SLAM。本文采用SLAM网络的导航架构大大提高了Habitat Challenge 2020 PointNav任务的最新水平(成功率从37%到64%)。
论文:https://arxiv.org/abs/2105.07593
主页:https://sites.google.com/view/slamnet
当进行导航任务时,SLAM可能具有如下挑战性:
可微SLAM-net是一种新颖的可微结构。它将基于粒子滤波的SLAM算法及其相关模型编码在可微计算图中。这些模型是网络的组成部分,通过SLAM流程反向传播梯度来进行端到端的联合训练。
本文提出了一种视觉导航架构,将SLAM网络连接到加权D*路径规划器和局部子目标控制器。SLAM-net估计一个2D占用地图和地图上的平面机器人位姿。路径规划器规划从当前位姿到目标的路径。本地控制器跟踪路径并输出(离散)机器人动作。
SLAM结果,该表反映了不同轨迹和输入模式(仅RGBD或RGB)的成功率(SR)和定位误差(RMSE)。SLAM-net优于现有的基于学习的VO模型/FastSLAM以及经典的ORB-SLAM算法。
-END-
— 版权声明 —
本微信公众号所有内容,由计算机视觉SLAM微信自身创作、收集的文字、图片和音视频资料,版权属计算机视觉SLAM微信所有;从公开渠道收集、整理及授权转载的文字、图片和音视频资料,版权属原作者。本公众号内容原作者如不愿意在本号刊登内容,请及时通知本号,予以删除。