轻量无监督深度回环检测
机器人学
2018-05-28 v2
摘要
鲁棒高效的回环检测对于大规模实时SLAM至关重要。本文提出一种新颖的无监督深度神经网络架构，用于视觉回环的特征嵌入，该嵌入既可靠又紧凑。我们的模型构建于自编码器架构之上，并专门针对当前问题定制。为训练网络，我们像去噪自编码器那样对输入数据施加随机噪声，但不同于应用随机丢弃，我们使用随机投影变换对图像进行扭曲，以模拟由机器人运动引起的自然视角变化。此外，我们利用定向梯度直方图（HOG）提供的几何信息与光照不变性，迫使编码器重建HOG描述子而非原始图像。因此，我们训练好的模型直接从原始图像中提取对表观极端变化鲁棒的特征，无需标注训练数据或特定环境训练。我们在多个具有挑战性的数据集上进行了大量实验，表明所提出的深度回环模型在有效性与效率上持续优于SOTA方法。我们的模型快速且可靠，足以在无降维的情况下实时闭环，并能够替代基于ConvNet的SOTA回环系统中的通用现成网络。
引用
@article{arxiv.1805.07703,
title = {Lightweight Unsupervised Deep Loop Closure},
author = {Nate Merrill and Guoquan Huang},
journal= {arXiv preprint arXiv:1805.07703},
year = {2018}
}
备注
Published in Proc. of Robotics: Science and Systems 2018