基于深度卷积自编码器的视觉 SLAM 自监督向量量化
机器人学
2022-07-15 v1
摘要
在本文中，我们介绍 AE-FABMAP，一种基于词袋的自监督 SLAM 新方法。我们还提出 AE-ORB-SLAM，即当前最先进的基于词袋的路径规划算法的改进版本。也就是说，我们使用深度卷积自编码器来寻找回环闭合。在基于词袋的视觉 SLAM 中，向量量化（VQ）被认为是 SLAM 过程中最耗时的部分，通常在 SLAM 算法的离线阶段使用如 Kmeans++ 等无监督算法执行。我们以自监督方式处理了基于词袋的 SLAM 方法的回环闭合检测部分，通过集成一个自编码器来进行向量量化。该方法可提高大规模 SLAM 的精度，其中存在大量未标记数据。使用自监督的主要优势在于有助于减少标注量。此外，实验表明，在速度和内存消耗方面，自编码器远比图卷积神经网络等半监督方法高效。我们将该方法集成到最先进的基于长距离外观的视觉词袋 SLAM——FABMAP2 中，同时也集成到 ORB-SLAM 中。实验证明了该方法在室内和室外数据集上相对于常规 FABMAP2 在所有情况下的优越性，并且在回环闭合检测和轨迹生成方面取得了更高的精度。
引用
@article{arxiv.2207.06732,
title = {Self-supervised Vector-Quantization in Visual SLAM using Deep Convolutional Autoencoders},
author = {Amir Zarringhalam and Saeed Shiry Ghidary and Ali Mohades Khorasani},
journal= {arXiv preprint arXiv:2207.06732},
year = {2022}
}