基于无监督学习的深度估计辅助视觉 SLAM 方法
计算机视觉与模式识别
2019-01-23 v1
摘要
RGB-D 相机的工作范围有限，且难以在远距离准确测量深度信息。此外，RGB-D 相机易受影响于强光及其他外部因素，导致所获取环境深度信息精度较差。近年来，深度学习技术在视觉 SLAM 领域取得巨大成功，可直接从视觉输入中学习高层特征并改善深度信息的估计精度。因此，深度学习技术具有拓展深度信息来源并提升 SLAM 系统性能的潜力。然而，现有基于深度学习的方法多为有监督，且需要大量真实深度数据，受现实约束难以获取。本文中，我们首先提出一种无监督学习框架，其不仅利用图像重建进行监督，还借助位姿估计方法增强监督信号，并为单目深度与相机运动估计任务添加训练约束。进而，当 ORB-SLAM 方法的初始化模块无法匹配足够特征时，我们成功将该无监督学习框架用于辅助传统 ORB-SLAM 系统。定性与定量实验表明，我们的无监督学习框架在深度估计任务上可与有监督方法媲美，并在 KITTI 数据集上以 13.5% 优于先前最优方法。此外，该无监督学习框架能显著加速 ORB-SLAM 系统的初始化过程，并有效提升在强光与弱纹理场景下的环境建图精度。
引用
@article{arxiv.1901.07288,
title = {Unsupervised Learning-based Depth Estimation aided Visual SLAM Approach},
author = {Mingyang Geng and Suning Shang and Bo Ding and Huaimin Wang and Pengfei Zhang and Lei Zhang},
journal= {arXiv preprint arXiv:1901.07288},
year = {2019}
}
备注
27 pages