用于端到端 6 自由度视觉定位与里程计的深度全局-相对网络
计算机视觉与模式识别
2019-06-25 v2
摘要
尽管文献中可见多种用于鲁棒视觉里程计（VO）的深度神经网络，它们仍无法解决长期机器人导航中的漂移问题。因此，本文旨在提出新颖的深度端到端网络用于长期 6 自由度 VO 任务。其基于循环卷积神经网络（RCNNs）融合相对与全局网络，以提升单目定位精度。具体而言，相对子网络用于平滑 VO 轨迹，而全局子网络用于避免漂移问题。所有参数利用交叉变换约束（CTC，表示连续帧的时间几何一致性）以及预测位姿与真值间的均方误差（MSE）进行联合优化。在室内与室外数据集上的实验结果表明，我们的方法在位姿精度上优于其他最先进的基于学习的 VO 方法。
引用
@article{arxiv.1812.07869,
title = {Deep Global-Relative Networks for End-to-End 6-DoF Visual Localization and Odometry},
author = {Yimin Lin and Zhaoxiang Liu and Jianfeng Huang and Chaopeng Wang and Guoguang Du and Jinqiang Bai and Shiguo Lian and Bill Huang},
journal= {arXiv preprint arXiv:1812.07869},
year = {2019}
}
备注
7 pages, 6 figures