首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >CVPR 2021 | Differentiable SLAM-net

CVPR 2021 | Differentiable SLAM-net

作者头像
好好学SLAM
发布2021-05-28 16:28:30
7300
发布2021-05-28 16:28:30
举报

摘要

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

挑战

当进行导航任务时,SLAM可能具有如下挑战性:

  • 机器人面对纹理的墙壁
  • 机器人快速旋转
  • 相机存在噪声
  • 相机帧速率低

Differentiable SLAM-net

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。

基于SLAM-net的视觉导航

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。

实验

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。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-05-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 计算机视觉SLAM 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 摘要
  • 挑战
  • Differentiable SLAM-net
  • 基于SLAM-net的视觉导航
  • 实验
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档