学习记忆与遗忘：动态 SLAM 的持续学习视角
计算机视觉与模式识别
2024-07-19 v1
摘要
随着隐式神经表示在运动定位与地图构建（SLAM）中的表达能力和持续学习范式的广泛关注，如何在动态环境中部署此类系统仍未得到充分研究。传统算法面对来自不同视角且包含动态对象的观测，几何与光照一致性难以维持，而这正是联合优化相机姿态与地图参数的基础。在本文中，我们充分利用持续学习的特性，提出一种针对动态环境的新型 SLAM 框架。虽过去的尝试通过经验回放策略来避免灾难性遗忘，但我们则视遗忘为一种理想的特性。通过可调节的回放缓冲区，移动对象引起的歧义可被有效缓解。我们引入一个持续学习的分类器来识别动态对象，从而限制其回放。神经地图与分类器的迭代优化显著提升了该系统在动态环境下的鲁棒性。实验在具有挑战性数据集上验证了所提框架的有效性。
引用
@article{arxiv.2407.13338,
title = {Learn to Memorize and to Forget: A Continual Learning Perspective of Dynamic SLAM},
author = {Baicheng Li and Zike Yan and Dong Wu and Hanqing Jiang and Hongbin Zha},
journal= {arXiv preprint arXiv:2407.13338},
year = {2024}
}