基于自我中心与世界中心地图的主动域不变自定位
机器人学
2022-07-29 v2 人工智能
摘要
为视觉地点识别（VPR）训练下一最佳视角（NBV）规划器是自主机器人导航中一项根本重要的任务，其典型方法是使用在目标域中收集的视觉经验作为训练数据。然而，在日常导航中收集多样化的视觉经验成本高昂，对实时机器人应用而言难以实现。我们通过采用一种新颖的域不变 NBV 规划器来解决此问题。假设已有基于卷积神经网络（CNN）的标准 VPR 子系统可用，并提议将其域不变的状态识别能力迁移以训练域不变 NBV 规划器。具体而言，我们将 CNN 模型可用的视觉线索分为两类：输出层线索（OLC）和中间层线索（ILC）。OLC 在 CNN 模型输出层可用，旨在相对于世界中心视角坐标系估计机器人状态（如机器人视角）；ILC 在 CNN 模型中间层可用，作为相对于自我中心视角的视觉内容高级描述（如显著性图）。在我们的框架中，ILC 和 OLC 被映射为状态向量，随后通过深度强化学习用于训练多视角 NBV 规划器。使用公开 NCLT 数据集的实验验证了所提方法的有效性。
引用
@article{arxiv.2204.10497,
title = {Active Domain-Invariant Self-Localization Using Ego-Centric and World-Centric Maps},
author = {Kanya Kurauchi and Kanji Tanaka and Ryogo Yamamoto and Mitsuki Yoshida},
journal= {arXiv preprint arXiv:2204.10497},
year = {2022}
}
备注
13 pages, 4 figures, draft version of a manuscript submitted to CVMI2022