从稠密三维流中学习具有稠密三维建图的单目视觉里程计
机器人学
2018-07-26 v2 计算机视觉与模式识别
摘要
本文提出一种全深度学习的单目SLAM方法，其可利用神经网络学习视觉里程计（L-VO）与稠密三维建图实现同步定位。由子网络从单目图像生成稠密二维流与深度图像，随后被L-VO网络中的三维流关联层用于生成稠密三维流。给定该三维流，双流L-VO网络可预测6DOF相对位姿并进一步重建车辆轨迹。为学习运动方向间相关性，损失函数中采用双变量高斯建模。L-VO网络在KITTI里程计基准上取得平均平移误差2.68%与平均旋转误差0.0143 deg/m的总体性能。此外，所学深度被充分利用以生成稠密三维地图。由此，实现了完整的视觉SLAM系统，即学习单目里程计结合稠密三维建图。
引用
@article{arxiv.1803.02286,
title = {Learning monocular visual odometry with dense 3D mapping from dense 3D flow},
author = {Cheng Zhao and Li Sun and Pulak Purkait and Tom Duckett and Rustam Stolkin},
journal= {arXiv preprint arXiv:1803.02286},
year = {2018}
}
备注
International Conference on Intelligent Robots and Systems(IROS 2018)