基于在线持续学习的机器人行人跟随中的行人重识别

机器人行人跟随（RPF）是人机交互（HRI）应用中的关键能力，使机器人能够持续跟随指定行人。在实际 RPF 场景中，行人常会被其他物体或人遮挡。因此，当其重新出现在机器人视野中时，有必要对该行人进行重识别。先前用于行人跟随的行人重识别（ReID）方法依赖固定的特征提取器。此类方法通常难以泛化到实际 RPF 环境中的不同视角与光照条件。换言之，它遭受所谓的域偏移问题，即当行人重新出现超出固定特征提取器所建模的域时无法重识别该行人。为缓解此问题，我们提出一种用于 RPF 的 ReID 框架，其中采用经在线持续优化、结合短期与长期经验（即 RPF 期间最近与先前观察到的样本）的特征提取器，使用在线持续学习（OCL）框架。长期经验由记忆管理器维护，以使 OCL 能够更新特征提取器。我们的实验表明，即使在严重外观变化及视觉相似人物的干扰下，所提方法仍能比最先进方法更准确地重识别该行人。