gradSLAM：可自动微分的 SLAM
机器人学
2020-11-20 v3 计算机视觉与模式识别
机器学习
摘要
由于同时定位与地图构建（SLAM）系统高度模块化且复杂，将表示学习方法与 SLAM 系统相融合是一个开放问题。从功能上看，SLAM 是一种将原始传感器输入转换为机器人与环境状态分布的操作。若该变换（SLAM）可表示为可微函数，我们便可利用基于任务的误差信号学习优化任务性能的表示。然而，典型稠密 SLAM 系统的若干组件不可微分。本工作中，我们提出 gradSLAM，一种将 SLAM 系统表述为可微计算图的方法，统一了基于梯度的学习与 SLAM。我们提出可微信赖域优化器、表面测量与融合方案以及光线投射，且不牺牲精度。这种稠密 SLAM 与计算图的融合使我们能从 3D 地图一直反向传播到 2D 像素，为 SLAM 的基于梯度的学习开辟了新可能。简而言之：我们利用自动微分框架的力量使稠密 SLAM 可微分。
引用
@article{arxiv.1910.10672,
title = {gradSLAM: Automagically differentiable SLAM},
author = {Krishna Murthy Jatavallabhula and Soroush Saryazdi and Ganesh Iyer and Liam Paull},
journal= {arXiv preprint arXiv:1910.10672},
year = {2020}
}
备注
Video: https://youtu.be/2ygtSJTmo08 . Project page and code: https://gradslam.github.io This tech report is an extended version of the ICRA 2020 paper "gradSLAM: Dense SLAM meets automatic differentiation". The first two authors contributed equally