以 LED 状态预测为前置任务的视觉机器人定位自监督学习
机器人学
2024-02-16 v1
摘要
我们提出了一种新颖的自监督方法，用于学习对配备可控 LED 的机器人进行视觉定位。我们依赖少量带有位置真值标签的训练样本以及许多仅已知 LED 状态的训练样本，后者的采集成本很低。我们表明，将 LED 状态预测作为前置任务，能显著有助于学习视觉定位这一最终任务。所得模型在推理期间不需要知道 LED 状态。我们将该方法实例化用于纳米四旋翼飞行器的视觉相对定位：实验结果表明，使用我们的前置任务显著提高了定位准确率（从 68.3% 提升至 76.2%），并优于监督基线、模型预训练和自编码前置任务等替代策略。我们将模型部署在重 27 克的 Crazyflie 纳米无人机上，以 21 fps 运行，执行对等纳米无人机的位置跟踪任务。我们的方法仅依赖 300 张图像的位置标签，产生了 4.2 厘米的平均跟踪误差，而未使用我们前置任务训练的监督基线模型为 11.9 厘米。所提出方法的视频和代码可在 https://github.com/idsia-robotics/leds-as-pretext 获取
引用
@article{arxiv.2402.09886,
title = {Self-Supervised Learning of Visual Robot Localization Using LED State Prediction as a Pretext Task},
author = {Mirko Nava and Nicholas Carlotti and Luca Crupi and Daniele Palossi and Alessandro Giusti},
journal= {arXiv preprint arXiv:2402.09886},
year = {2024}
}