使用在逼真重建环境中训练的深度神经网络进行现实世界机器人探索
机器人学
2025-09-18 v1 人工智能
摘要
本文修改了现有一种用于从视觉信息（RGB图像）确定机器人姿态的深度神经网络方法，改进了其定位性能，同时不影响其训练的便捷性。具体而言，网络的损失函数被扩展，以直观的方式结合位置误差和旋转误差，以提高对感知别名的鲁棒性。在室内场景中观察到的定位精度提高：与未修改的网络相比，中位数位置误差降低最高可达9.64%，中位数旋转误差降低2.99%。此外，采用光束测量数据生成带姿态标签的数据集，使上述模型能够在特定环境中进行训练，实现定位精度为0.11米和0.89度。该训练好的模型构成了一种导航算法的基础，该算法在TurtleBot（一种轮式机器人装置）上进行实时测试。因此，本工作引入了一个用于创建鲁棒导航算法的完整管道，唯一要求是从该场景收集图像，该图像以最少330秒即可完成。
引用
@article{arxiv.2509.13342,
title = {Real World Robotic Exploration using Deep Neural Networks Trained in Photorealistic Reconstructed Environments},
author = {Isaac Ronald Ward},
journal= {arXiv preprint arXiv:2509.13342},
year = {2025}
}
备注
This report is submitted as partial fulfilment of the requirements for the Honours Programme of the Department of Computer Science and Software Engineering, The University of Western Australia, 2019