利用贝叶斯卷积神经网络推断太阳方向以减少视觉里程计的漂移
机器人学
2019-08-20 v5 计算机视觉与模式识别
摘要
我们提出了一种仅利用现有图像流将来自太阳的全局方向信息融入视觉里程计流程的方法，其中太阳通常是不可见的。我们利用贝叶斯卷积神经网络的最新进展，训练并实现了一个太阳检测模型，该模型能从单张 RGB 图像推断出三维太阳方向向量。至关重要的是，我们的方法还使用蒙特卡洛 dropout 方案计算了与每个预测相关的有原则的不确定性。我们将这种不确定性融入到滑动窗口立体视觉里程计流程中，其中准确的不确定性估计对于最优数据融合至关重要。我们的贝叶斯太阳检测模型在 KITTI 里程计基准训练集上实现了约 12 度的中值误差，与标准视觉里程计相比，平移 ARMSE 提升了高达 42%，旋转 ARMSE 提升了 32%。我们使用 Caffe 实现的开源贝叶斯 CNN 太阳方向估计器可在 https://github.com/utiasSTARS/sun-bcnn-vo 获取。
引用
@article{arxiv.1609.05993,
title = {Reducing Drift in Visual Odometry by Inferring Sun Direction Using a Bayesian Convolutional Neural Network},
author = {Valentin Peretroukhin and Lee Clement and Jonathan Kelly},
journal= {arXiv preprint arXiv:1609.05993},
year = {2019}
}
备注
In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA'17), Singapore, May 29-Jun. 3, 2017