从像素到建筑：面向大规模语义建图的端到端概率深度网络
机器人学
2020-03-12 v8 机器学习
摘要
我们提出 TopoNets，一种端到端概率深度网络，用于建模具有反映大规模环境拓扑结构之语义地图。TopoNets 构建了一个跨越多个抽象层次与空间尺度的统一深度网络，从表示局部场所几何的像素到建筑语义的高层描述。为此，TopoNets 利用了以任意动态图表达的复杂空间关系。我们展示了 TopoNets 如何用于从机器人探索大规模办公空间时所获得的局部感官观测与含噪拓扑关系中进行端到端语义建图。凭借其概率本质与生成特性，TopoNets 将语义建图问题扩展到了分类之外。我们表明 TopoNets 能成功地对尚未探索的空间进行不确定性推理，并检测机器人未知的、新颖且不一致的环境配置。我们对 TopoNets 的实现达到了实时、易处理且精确的推断，这使得这些新深度模型成为大规模移动机器人空间理解的一个有前景的实用方案。
引用
@article{arxiv.1812.11866,
title = {From Pixels to Buildings: End-to-end Probabilistic Deep Networks for Large-scale Semantic Mapping},
author = {Kaiyu Zheng and Andrzej Pronobis},
journal= {arXiv preprint arXiv:1812.11866},
year = {2020}
}
备注
8 pages, 8 figures, 1 table. The 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2019)