外观机器人自我定位的机器学习
本文介绍了一种机器学习方法,用于学习基于图像检索的定位图像特征,通过引导学习过程,使图像特征与几何距离成比例,并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。
Mar, 2020
本研究对以深度学习为基础的定位和建图方法进行全面调查和分类,讨论了目前模型的局限性,并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图(SLAM)等广泛的话题,探讨了利用车载传感器来感知自我动作和场景理解的问题,并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作,并为未来研究者提供指南,应用深度学习来解决定位和绘图问题。
Jun, 2020
该论文提出了一种利用深度学习技术进行分层定位的方法,仅在候选位置上计算 2D-3D 匹配的精确位姿估计,从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能,为机器人研究带来了新的前景。
Sep, 2018
通过训练神经网络来实现全球本地化并应用于实际机器人场景,在二维平面中限制问题并大幅增加训练数据,可以得到紧凑的模型,实现了数厘米的定位精度,并在无人地面车上应用进行路径导航任务。
Nov, 2022
本文提出基于自监督视觉对应学习的模型预测方法,证明了这种方法能够在视觉学习的强化学习中实现明显的性能提升,并通过模拟实验和硬件实验的验证显示出在一些情境下,这种预测模型具有更好的泛化性能。
Sep, 2020
本文提出了一种通过学习可逆的生成器将图像从一种条件转换到另一种的方法,以此改善在外观强烈变化的情况下的视觉场所识别和度量本地化效果,并基于 SURF 检测器和密集描述符映射的新损失进行特征匹配。数据测试表明,这种方法能够在减少映射运行次数的同时,在多种环境下显著提高地点识别和定位的效果。
Mar, 2018
使用深度神经网络进行图像生成任务以提取高级特征,进而估计视觉里程碑的深度和位姿,同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。
Sep, 2023
本文提出一种基于图像的定位方法,针对图像检索领域的发展,将大量的参考图像整理为一种可以满足导航系统要求的地标集合,并通过网络流问题的框架为紧凑的地图表示和准确的自我定位提供了可行方案。
Dec, 2018