基于异构图神经网络的长时视觉地图稀疏化
计算机视觉与模式识别
2022-03-30 v1 机器人学
摘要
我们解决长时视觉定位中的地图稀疏化问题。对于地图稀疏化，一个常用假设是预先构建的地图与后续捕获的定位查询保持一致。然而，这一假设在动态世界中很容易被违背。此外，随着新数据随时间累积，地图规模不断增长，导致长期中的大数据开销。本文中，我们旨在通过选择对未来定位有价值的点，同时克服环境变化并减小地图规模。受图神经网络（GNN）近期进展的启发，我们提出首项将 SfM 地图建模为异构图并利用 GNN 预测三维点重要性得分的工作，这使我们能够直接利用 SfM 地图图中的丰富信息。提出了两种新颖监督：1）基于训练查询选择对未来定位有价值点的数据拟合项；2）选择具有完整地图覆盖的稀疏点的 K-Cover 项。实验表明，我们的方法在稳定且广泛可见的结构上选择地图点，并在定位性能上优于基线。
引用
@article{arxiv.2203.15182,
title = {Long-term Visual Map Sparsification with Heterogeneous GNN},
author = {Ming-Fang Chang and Yipu Zhao and Rajvi Shah and Jakob J. Engel and Michael Kaess and Simon Lucey},
journal= {arXiv preprint arXiv:2203.15182},
year = {2022}
}
备注
Accepted by CVPR 2022