基于图的概率神经网络热-惯导 SLAM
计算机视觉与模式识别
2021-11-01 v3 机器人学
摘要
同步定位与建图（SLAM）系统通常采用基于视觉的传感器观测周围环境。然而，此类系统的性能高度依赖于环境光照条件。在能见度不利或存在悬浮颗粒（如烟雾、粉尘等）的场景中，基于热成像与惯性传感器的替代模态更具前景。本文中，我们提出首个完整的热-惯导 SLAM 系统，其将 SLAM 前端的神经抽象与 SLAM 后端鲁棒的位姿图优化相结合。我们通过采用由混合密度网络（MDN）参数化的概率深度学习对前端中的传感器抽象建模。我们成功从热成像数据建模此编码的关键策略包括：使用归一化 14 位辐射数据、引入幻觉视觉（RGB）特征，以及包含特征选择以估计 MDN 参数。为启用完整 SLAM 系统，我们还设计了一种高效全局图像描述子，能够从热嵌入向量中检测回环。我们利用三个数据集进行了广泛实验与分析，即自采集的室内地面机器人与手持数据，以及一个公开数据集（SubT-tunnel）地下隧道采集数据。最后，我们证明在良好与不利能见度条件下均可实现准确的热-惯导 SLAM 系统。
引用
@article{arxiv.2104.07196,
title = {Graph-based Thermal-Inertial SLAM with Probabilistic Neural Networks},
author = {Muhamad Risqi U. Saputra and Chris Xiaoxuan Lu and Pedro P. B. de Gusmao and Bing Wang and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:2104.07196},
year = {2021}
}
备注
Accepted to IEEE Transactions on Robotics