IV-SLAM：用于同步定位与建图的内省视觉
计算机视觉与模式识别
2020-11-20 v2 机器人学
摘要
现有的视觉同步定位与建图（V-SLAM）解决方案假设特征提取与匹配中的误差是独立同分布（i.i.d）的，但已知该假设并不成立——从图像低对比度区域提取的特征比来自尖锐角落的特征表现出更宽的误差分布。此外，当感知图像包含诸如镜面反射、镜头眩光或动态物体阴影等挑战性条件时，V-SLAM 算法容易发生灾难性跟踪失败。为解决此类失败，先前工作集中于构建更鲁棒的视觉前端，以过滤掉具有挑战性的特征。在本文中，我们提出用于 SLAM 的内省视觉（IV-SLAM），一种应对这些挑战的根本不同方法。IV-SLAM 显式地将视觉特征重投影误差的噪声过程建模为上下文相关的，因而是非 i.i.d 的。我们为 IV-SLAM 引入一种自主监督方法来收集训练数据以学习此种上下文感知噪声模型。利用该学习到的噪声模型，IV-SLAM 引导特征提取从图像中可能产生较低噪声的部分选择更多特征，并进一步将学习到的噪声模型纳入联合最大似然估计，从而使其对上述类型的误差具有鲁棒性。我们给出实证结果以证明 IV-SLAM 1) 能够准确预测输入图像中的误差来源，2) 相比 V-SLAM 减少了跟踪误差，以及 3) 在具有挑战性的真实机器人数据上相比 V-SLAM 将跟踪失败之间的平均距离增加了 70% 以上。
引用
@article{arxiv.2008.02760,
title = {IV-SLAM: Introspective Vision for Simultaneous Localization and Mapping},
author = {Sadegh Rabiee and Joydeep Biswas},
journal= {arXiv preprint arXiv:2008.02760},
year = {2020}
}
备注
To be published in CoRL 2020 (Conference on Robot Learning)