基于自适应自编码器同步学习的高保真移动机器人视觉跨成像模态知识迁移
机器人学
2021-09-03 v2
摘要
使移动机器人能够以高保真视觉解决具有挑战性且多样的形状、纹理与运动相关任务，需要集成新型多模态成像传感器与先进融合技术。然而，这伴随着高成本、高功耗、硬件改造与计算需求，限制了其可扩展性。本文提出一种新颖的同步学习自编码器域自适应（SAEDA）迁移学习技术，以用先进传感器套件能力赋能噪声传感。为此，SAEDA 在单一图上同时训练源域与目标域自编码器，从而在同步采集的数据上获得源域与目标域间的域不变特征空间。随后，它利用该域不变特征空间在不同信号模态间迁移知识。评估在两个采集的数据集（LiDAR 与 Radar）和一个已有数据集（LiDAR、Radar 与 Video）上进行，在基于四足机器人的分类（室内地面与人类活动识别）与回归（表面粗糙度估计）问题上取得显著提升。我们还将传感器套件与 SAEDA 框架集成于两个实时系统（吸尘机器人与 Mini-Cheetah 四足机器人）以研究可行性与可用性。
引用
@article{arxiv.2105.05010,
title = {Knowledge Transfer across Imaging Modalities Via Simultaneous Learning of Adaptive Autoencoders for High-Fidelity Mobile Robot Vision},
author = {Md Mahmudur Rahman and Tauhidur Rahman and Donghyun Kim and Mohammad Arif Ul Alam},
journal= {arXiv preprint arXiv:2105.05010},
year = {2021}
}
备注
Accepted in 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021) in Prague, Czech Republic