用于视觉 SLAM 的网络不确定性感知语义特征选择
计算机视觉与模式识别
2019-09-02 v2 机器人学
摘要
为了利用视觉同步定位与建图（SLAM）算法实现长期定位，细致的特征选择有助于确保参考点长期存在，并使算法的运行时间与存储复杂度保持一致。我们提出 SIVO（语义感知视觉里程计与建图），一种用于视觉 SLAM 的基于信息论的特征选择方法，该方法将语义分割与神经网络不确定性纳入特征选择流程。我们的算法选择那些在给定由贝叶斯神经网络得到的特征分类熵的新特征加入后，能使当前状态熵与状态和特征的联合熵之间的 Shannon 熵下降最大的点。每个被选特征显著降低了车辆状态的不确定性，且被反复以高置信度检测为静态物体（建筑、交通标志等）。该选择策略生成稀疏地图，有助于长期定位。使用 KITTI 里程计数据集评估我们的方法，并与 ORB_SLAM2 比较结果。总体而言，SIVO 性能与基线方法相当，同时将地图大小减少了近70%。
引用
@article{arxiv.1811.11946,
title = {Network Uncertainty Informed Semantic Feature Selection for Visual SLAM},
author = {Pranav Ganti and Steven L. Waslander},
journal= {arXiv preprint arXiv:1811.11946},
year = {2019}
}
备注
Published in: 2019 16th Conference on Computer and Robot Vision (CRV)