基于深度强化学习的视觉里程计高效相机曝光控制
机器人学
2024-12-24 v2 计算机视觉与模式识别
摘要
视觉里程计（VO）系统的稳定性会因图像质量下降而受到破坏，尤其是在光照变化显著的环境中。本研究采用深度强化学习（DRL）框架训练智能体进行曝光控制，旨在增强挑战性条件下的成像性能。我们开发了一个轻量级图像模拟器以促进训练过程，从而实现图像曝光和序列轨迹的多样化。该设置支持完全离线训练，消除了与相机硬件和真实环境直接交互的需要。我们设计了不同级别的奖励函数来增强VO系统，使DRL智能体具备不同程度的智能。大量实验表明，我们的曝光控制智能体实现了卓越的效率——在CPU上每帧的平均推理时间为1.58 ms——并且比传统反馈控制方案响应更快。通过选择合适的奖励函数，智能体获得了对运动趋势的智能理解，并能预测未来的光照变化。这种预测能力使VO系统能够提供更稳定、更精确的里程计结果。代码和数据集可在 https://github.com/ShuyangUni/drl_exposure_ctrl 获取。
引用
@article{arxiv.2408.17005,
title = {Efficient Camera Exposure Control for Visual Odometry via Deep Reinforcement Learning},
author = {Shuyang Zhang and Jinhao He and Yilong Zhu and Jin Wu and Jie Yuan},
journal= {arXiv preprint arXiv:2408.17005},
year = {2024}
}
备注
8 pages, 6 figures