SeanNet：面向物体动态下定位的语义理解网络
机器人学
2022-09-13 v2 机器学习
摘要
我们旨在使家用机器人在长期室内服务中工作。在由日常人类活动引起的物体级场景动态下，机器人需要在存在场景不确定性的环境中稳健地定位自身。先前的工作已解决静态环境中的基于视觉的定位，但物体级场景动态对现有方法在长期机器人部署中提出了挑战。本文提出一种语义理解网络（SeanNet）架构，其通过耦合的视觉与语义输入实现有效的学习过程。利用包含物体动态的数据集，我们提出级联对比学习方案来训练 SeanNet 以学习向量场景嵌入。随后，我们可以度量当前观测场景与目标场景之间的相似性，从而实现物体级动态下的稳健定位。在我们的实验中，我们将 SeanNet 与最先进的图像编码网络（基线）在场景相似性度量上进行了基准比较。所提训练方法的 SeanNet 架构可达到 85.02% 的准确率，高于基线。我们进一步将 SeanNet 与其他网络作为定位器集成到视觉导航应用中。我们证明 SeanNet 相比基线取得了更高的成功率。
引用
@article{arxiv.2110.02276,
title = {SeanNet: Semantic Understanding Network for Localization Under Object Dynamics},
author = {Xiao Li and Yidong Du and Zhen Zeng and Odest Chadwicke Jenkins},
journal= {arXiv preprint arXiv:2110.02276},
year = {2022}
}