基于 WNN-CNN 混合方法的视觉全局定位
机器人学
2018-05-16 v2 计算机视觉与模式识别
摘要
当前，自动驾驶汽车极大依赖全球定位系统（GPS）基础设施，尽管对无 GPS 环境的替代方法需求日益增长。其中之一是所谓地点识别，即将地点图像与其对应位置相关联。我们此前提出基于无权神经网络（WNN）的系统，将此问题作为分类任务处理。这仅涵盖全局定位的一部分，对无人驾驶汽车而言不够精确。相较于仅识别过往地点并输出其位姿，期望全局定位系统能估计当前地点图像的位姿。本文提出如下解决问题的方法。首先，给定实时图像，地点识别系统返回最相似图像及其位姿。然后，给定实时与回溯图像，视觉定位系统输出由这些图像表示的相对相机位姿。为估计回溯与当前图像间的相对相机位姿，以两图像为输入、相对位姿向量为输出训练卷积神经网络（CNN）。这些系统共同利用拓扑与度量信息近似当前车辆位姿，解决全局定位问题。完整方法与实时动态 GPS 系统及同步定位与建图（SLAM）系统进行比较。实验结果表明，所提方法在 90% 的时间内正确定位车辆，平均误差 1.20m，而 SLAM 系统为 1.12m、GPS 为 0.37m，GPS 在 89% 的时间内正确定位。
引用
@article{arxiv.1805.03183,
title = {Visual Global Localization with a Hybrid WNN-CNN Approach},
author = {Avelino Forechi and Thiago Oliveira-Santos and Claudine Badue and Alberto F. De Souza},
journal= {arXiv preprint arXiv:1805.03183},
year = {2018}
}
备注
Accepted by IEEE 2018 International Joint Conference on Neural Networks (IJCNN)