面向大视角差异下实时回环检测与绑架恢复的全图描述子学习
机器人学
2019-04-16 v1
摘要
我们提出了一种实时立体视觉-惯性SLAM系统，能够在线实时从复杂的绑架场景和故障中恢复。我们提出基于NetVLAD和解耦卷积以弱监督方式学习全图描述子。我们分析了使用标准损失公式的训练困难，并提出一种全配对损失，通过大量实验展示了其效果。与标准NetVLAD相比，我们的网络计算量和模型参数减少约一个数量级，因此运行速度约快三倍。我们在标准数据集上以查准率-查全率评估了我们描述子的表征能力。与以往仅在正视平行重访场景下评估的回环检测方法不同，我们在涉及大视角差异的场景下与竞争方法比较了本方法的性能。最后，我们展示了具有相对计算及多世界坐标系处理的全功能系统，能够减小里程计漂移、从复杂绑架场景和随机里程计故障中恢复。我们将全功能系统作为流行VINS-Fusion的插件开源。
引用
@article{arxiv.1904.06962,
title = {Learning Whole-Image Descriptors for Real-time Loop Detection andKidnap Recovery under Large Viewpoint Difference},
author = {Manohar Kuse and Shaojie Shen},
journal= {arXiv preprint arXiv:1904.06962},
year = {2019}
}