Jun, 2020

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

PDF
TL;DR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。
deep learninglocalizationmappingmotion trackingscene estimation
发现论文，激发创造
  • 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

  • 深度学习在时空数据挖掘中的应用综述

    本文综述了将深度学习技术应用于时空数据挖掘，并介绍了应用深度卷积与循环神经网络等模型在处理此类数据时的分类学、任务、应用和展望。

    Jun, 2019

  • DeepMapping2: 自监督大规模 LiDAR 地图优化

    DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

    Dec, 2022

  • 机器人定位与建图终稿 —— 用于自监督式深度视觉测距的顺序对抗学习

    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

  • 基于视觉的 SLAM 综述：从几何建模到基于学习的语义场景理解

    本文回顾了 Visual-SLAM 领域中采用基于深度学习等基于数据驱动的方法来解决传统基于几何模型的技术在复杂环境中难以处理的 SLAM 问题的最新进展，并探讨了其面临的挑战和发展机遇。

    Sep, 2022

  • 深度学习人类移动性调查

    通过对人类活动的深入研究，结合大量的数字移动数据和人工智能的预测能力，运用深度学习模型，以以往的机械学习模型为基础，归纳整理的分类学，对多个任务（如下一位置预测、人流预测、轨迹和流预测）进行研究，是对人类移动的前沿研究。同时解决基础概念和现有挑战，方便深度学习科学家和实践者的理解。

    Dec, 2020

  • 未来映射：空间人工智能系统的计算结构

    本文讨论和预测了 Simultaneous Localisation and Mapping（SLAM）进化为智能设备的通用几何和语义 “空间 AI” 感知能力，探索了当前和未来空间 AI 算法的计算结构，并考虑其与硬件发展的关系。

    Mar, 2018

  • 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

  • 外观机器人自我定位的机器学习

    机器人根据外观自我定位的问题，我们提出了一种基于流形学习和深度学习技术的新的几何动机解决方案，包括估计机器人定位映射和 Kalman 滤波问题的反向映射。

    Jun, 2017

  • 深度学习时代的 IM2GPS 重访

    本文提出了将深度图像分类方法与原始的 Im2GPS 方法相结合，同时应用核密度估计来估计查询图片的地理位置，结果表明使用分类损失的网络训练比其他典型用于检索应用的深度特征学习方法（如对比学习和三元组损失的同构网络）表现更好，提高了地理定位的准确性并且需要更少的训练数据。

    May, 2017