一种神经符号方法用于SLAM中的自适应特征提取

自动化机器人、自动驾驶车辆及佩戴混合现实头盔的用户，都需要准确可靠的跟踪服务，以满足动态变化真实环境中安全关键应用的需求。然而，现有的跟踪方法（如同时定位与地图构建（SLAM））尽管经过大量手动调优，仍难以适应环境变化与边界条件。另一方面，深度学习方法能更好地适应环境变化，但通常需要大量训练数据且在适应新领域时缺乏灵活性。为解决此问题，我们提出利用神经符号程序综合方法构建可适应的 SLAM 流水线，既集成传统 SLAM 方法的领域知识，又利用数据学习复杂关系。虽然该方法可综合端到端 SLAM 流水线，但我们专注于特征提取模块。我们首先设计一种特定领域的语言（DSL），封装特征提取的重要属性及各种特征提取器的实际性能。我们的神经符号架构随后进行自适应特征提取，通过学习优化参数，同时采用符号推理选择最合适的特征提取器。我们的评估表明，我们的方法——神经符号特征提取（nFEX）生成的特征质量更高。它将针对最先进基线特征提取器 ORB 和 SIFT 所观察到的姿态误差分别降低最高可达 90% 和 66%，从而提升系统在新环境下的效率与适应性。