基于学习离群点掩码先验的稠密单目SLAM前端
计算机视觉与模式识别
2021-04-02 v1 机器人学
摘要
近期在单张RGB图像深度预测方面的成果推动了将卷积神经网络(CNNs)与传统同步定位与建图(SLAM)算法相结合的新研究领域。CNN的深度预测在传统SLAM算法的优化过程中提供了合理的初始点,而SLAM算法进一步在线改进CNN的预测。然而,当前大多数CNN-SLAM方法仅利用了深度预测,尚未利用CNN的其他产物。在本工作中,我们探索使用离群点掩码(一种从无监督视频深度学习中得到的副产品)作为经典概率模型中深度估计融合的先验,以提升SLAM前端的抗离群点跟踪性能。另一方面,先前一些CNN-SLAM工作建立在基于特征的稀疏SLAM方法之上,浪费了CNN的逐像素稠密预测。与这些稀疏方法不同,我们设计了一个稠密CNN辅助的SLAM前端,可用TensorFlow实现,并在室内和室外数据集上进行了评估。
引用
@article{arxiv.2104.00562,
title = {A Front-End for Dense Monocular SLAM using a Learned Outlier Mask Prior},
author = {Yihao Zhang and John J. Leonard},
journal= {arXiv preprint arXiv:2104.00562},
year = {2021}
}