May, 2020

可微映射网络：学习结构化映射表示以实现稀疏视觉定位

PDF
TL;DR本文介绍了一个基于不同 iable mapping 和端到端学习的神经网络架构（Differentiable Mapping Network，DMN），用于机器人的制图和定位任务，特别是在只有少量观测数据的情况下。作者将 DMN 应用于稀疏的可视化定位任务中，并在模拟和真实世界数据上进行了评估，证明了 DMN 在视觉定位中学习有效的地图表示的优点。
mappinglocalizationroboticsneural networkend-to-end learning
发现论文，激发创造
  • 几何感知学习用于相机定位的地图

    提出了一种名为 MapNet 的深度神经网络，它将地图表示为一种数据驱动的方式，利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系，从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明，该方法相较于之前的工作在性能上有了显著的提高。

    Dec, 2017

  • 使用模仿学习在仿真四旋翼上跟随高水平导航指令

    本文提出了一种基于神经网络和语义地图的导航模型，能够实时地将高层次的导航指令映射到连续的低层次速度指令上，通过改进的 DAgger 算法进行训练和测试，并通过学习到的语义地图实现了解释性强的指令跟随模型。

    May, 2018

  • 移动机器人的深度生成空间模型学习

    我们提出了一个新的概率框架，允许移动机器人自主学习跨越多个抽象层次的环境的深度生成模型。

    Oct, 2016

  • 可微分 SLAM 网络：学习视觉导航的粒子 SLAM

    通过 Differentiable SLAM Network（SLAM-net）和导航架构，实现以前未见过的室内环境的平面机器人导航，SLAM-net 编码了具有可微分特性的粒子滤波器算法，通过 SLAM 算法反向传播来学习基于任务的神经网络组件。

    May, 2021

  • 使用 4D 隐式神经表示在动态环境中进行的 3D LiDAR 地图构建

    基于 LiDAR 扫描序列，我们提出了一种构建动态环境准确地图的新方法，利用四维场景进行稀疏特征格、全局共享解码器和时变基函数的神经表示，用于滤除动态部分并重建准确完整的三维地图。

    May, 2024

  • 深度学习在定位和地图制图中的研究：迈向空间智能的时代

    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

  • 机器人导航的视觉语言地图

    本研究提出了 VLMaps，一种将 3D 物理世界重建与预训练的视觉语言特征直接融合的空间地图表示，其能够通过大型语言模型将自然语言命令直接转化为空间导航目标。VLMaps 能够在不需要额外标注数据的情况下自主构建，并且可以与多种类型的机器人共享，能够进行导航的同时生成新的障碍物地图。实验表明，VLMaps 可以支持人类语言含义更丰富的导航指令。

    Oct, 2022

  • 语义地图网络：从自我视角构建客观语义地图和表征

    本文研究了使用 RGB-D 摄像机生成半自主构建环境场所的含义地图，提出 SemanticMapNet，结合了摄像机几何和神经表示学习，可在自主导览、物品寻找和对环境的问题回答等任务中有更好的表现。

    Oct, 2020

  • 深度学习在视觉定位和地图构建中的应用综述

    通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

    Aug, 2023

  • 移动机器人操作的空间动作地图

    本文研究机器人导航中的动作表示，提出了 “空间动作地图” 概念，使用卷积神经网络从状态图像推断出空间动作地图，从而显著加快了使用强化学习方法实现移动操作任务的复杂行为的学习

    Apr, 2020