基于热力图回归与深度卷积里程计的马尔可夫定位
机器人学
2021-06-02 v1 计算机视觉与模式识别
机器学习
摘要
在自动驾驶车辆的背景下，基于视觉定位与LiDAR的方法之间存在激烈竞争。虽然LiDAR提供重要的深度信息，但其分辨率稀疏且昂贵。另一方面，相机成本低廉，且深度学习的近期发展意味着它们可以提供高的定位性能。然而，若干基本问题仍然存在，特别是在不确定性领域，基于学习的方法可能出了名地过度自信。马尔可夫或基于网格的定位是定位问题的早期解决方案，但由于其计算复杂性而失宠。将似然场表示为网格（或体素）意味着在精度和内存大小之间存在权衡。此外，有必要在整个似然体素上执行昂贵的卷积。尽管同时维护所有可能存在位置的似然具有优势，基于网格的方法仍被更高效的粒子滤波和蒙特卡洛定位（MCL）所取代。然而，MCL引入了其自身的问题，例如粒子匮乏。深度学习硬件的近期进展允许将大型似然体素直接存储在GPU上，以及高效执行GPU绑定的3D卷积所需的硬件，这消除了基于网格方法的许多缺点。在这项工作中，我们提出了一种可利用现代深度学习硬件的新型基于CNN的定位方法。通过在GPU上直接实现基于网格的马尔可夫定位方法，我们创建了一个混合CNN，能够在单一神经网络内执行基于图像的定位和基于里程计的似然传播。所得方法能够超越直接位姿回归方法以及最先进的定位系统。
引用
@article{arxiv.2106.00371,
title = {Markov Localisation using Heatmap Regression and Deep Convolutional Odometry},
author = {Oscar Mendez and Simon Hadfield and Richard Bowden},
journal= {arXiv preprint arXiv:2106.00371},
year = {2021}
}
备注
IEEE International Conference on Robotics and Automation (ICRA) 2021