如何训练CAT：学习用于光照变化下直接视觉定位的规范外观变换
机器人学
2022-07-05 v6 计算机视觉与模式识别
摘要
直接视觉定位近年来随着廉价移动计算能力的普及而重新流行。这些算法相比最先进的基于特征的方法具有竞争力的精度和鲁棒性，以及生成稠密地图的天然能力，使其成为各种移动机器人应用的诱人选择。然而，直接方法在外观变化面前仍然脆弱，因为其底层假设了光度一致性，而这在实践中常被违背。本文中，我们提出通过训练深度卷积编码器-解码器模型来变换场景图像，使其对应于先前看到的规范外观，从而缓解该问题。我们使用高保真合成RGB-D数据集在多种环境和光照条件下验证我们的方法，并将训练好的模型集成到直接视觉定位流水线中，在时变光照条件下改善了视觉里程计(VO)精度，以及在光照变化下改进了度量重定位性能，而传统方法通常在此失败。我们进一步提供了在定位背景下从合成到真实环境迁移学习的初步研究。使用PyTorch的我们方法的开源实现可在 https://github.com/utiasSTARS/cat-net 获取。
引用
@article{arxiv.1709.03009,
title = {How to Train a CAT: Learning Canonical Appearance Transformations for Direct Visual Localization Under Illumination Change},
author = {Lee Clement and Jonathan Kelly},
journal= {arXiv preprint arXiv:1709.03009},
year = {2022}
}
备注
In IEEE Robotics and Automation Letters (RA-L) and presented at the IEEE International Conference on Robotics and Automation (ICRA'18), Brisbane, Australia, May 21-25, 2018