基于模型启发式深度强化学习的视觉-惯性系统标定轨迹学习
机器人学
2021-02-17 v1 机器学习
摘要
视觉-惯性系统依赖于相机内参和传感器间外参的精确标定，这通常需要在标定板前手动执行复杂运动。在这项工作中，我们提出了一种利用基于模型的深度强化学习来获取视觉-惯性系统标定有利轨迹的新方法。我们的关键贡献是将标定过程建模为马尔可夫决策过程，然后使用带粒子群优化的基于模型的深度强化学习来建立由机械臂执行的一系列标定轨迹。我们的实验表明，在保持相似或更短路径长度的同时，与随机或手工设计的轨迹相比，我们所学策略生成的轨迹导致了更低的标定误差。
引用
@article{arxiv.2011.02574,
title = {Learning Trajectories for Visual-Inertial System Calibration via Model-based Heuristic Deep Reinforcement Learning},
author = {Le Chen and Yunke Ao and Florian Tschopp and Andrei Cramariuc and Michel Breyer and Jen Jen Chung and Roland Siegwart and Cesar Cadena},
journal= {arXiv preprint arXiv:2011.02574},
year = {2021}
}