用于自监督端到端视觉里程计的集合一致性
机器人学
2018-04-16 v1 计算机视觉与模式识别
摘要
随着基于深度学习的方法在解决计算机视觉中挑战性问题的成功，近期提出了多种深度架构用于视觉里程计 (VO) 估计任务。这些方案大多依赖监督，需使用昂贵动作捕捉系统或高精度 IMU/GPS 传感器装置采集精确真值相机位姿信息。本工作中，我们提出一种无监督的深度视觉里程计学习范式。我们展示，利用一个含噪教师（可为标准 VO 流水线）并设计强制轨迹几何一致性的损失项，可训练无需真值标签的精确深度 VO 模型。我们利用几何作为自监督信号，提出“复合变换约束 (CTCs)”，自动生成训练监督信号并强制 VO 估计中的几何一致性。我们还给出了表征由此获得 VO 估计中不确定性的方法。为评估 VO 流水线，我们给出了详尽的消融研究，证明了端到端自监督方法训练单目 VO 深度模型的有效性。我们展示，将几何概念融入循环神经网络训练可取得与有监督深度 VO 方法相竞争的性能。
引用
@article{arxiv.1804.03789,
title = {Geometric Consistency for Self-Supervised End-to-End Visual Odometry},
author = {Ganesh Iyer and J. Krishna Murthy and Gunshi Gupta and K. Madhava Krishna and Liam Paull},
journal= {arXiv preprint arXiv:1804.03789},
year = {2018}
}