深度弱监督定位
机器人学
2021-04-13 v1 计算机视觉与模式识别
机器学习
摘要
PoseNet 可将一张照片映射到其拍摄位置,这在机器人学中颇具吸引力。然而,训练 PoseNet 需要完全监督,而真实位置标签的获取并非易事。我们能否在不知晓每次观测真实位置的情况下训练 PoseNet?我们表明这可通过基于约束的弱监督实现,并由此提出框架:DeepGPS。特别地,利用轮式编码器估计的机器人沿随机直线段行驶距离作为 PoseNet 输出间的约束,DeepGPS 可取得小于 2% 的相对定位误差。此外,训练 DeepGPS 可近乎无需人工干预地作为自动标定完成,这比通常需细致且专家级人工标定的竞争方法更具吸引力。我们在模拟与真实数据集上开展多种实验,以证明 DeepGPS 的普遍适用性、有效性与准确性,并对其进行全面的鲁棒性分析。我们的代码见 https://ai4ce.github.io/DeepGPS/。
引用
@article{arxiv.2104.04866,
title = {Deep Weakly Supervised Positioning},
author = {Ruoyu Wang and Xuchu Xu and Li Ding and Yang Huang and Chen Feng},
journal= {arXiv preprint arXiv:2104.04866},
year = {2021}
}
备注
8 pages, 8 figures, submitted to IEEE Robotics and Automation Letters (RA-L) and 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021)