可微分 SLAM 网络:学习视觉导航的粒子 SLAM
提出了一种叫 gradSLAM 的方法,将传统的 SLAM 系统转化为可微分的计算图,并融合了表示学习和深度学习技术,让 SLAM 系统具备了梯度反向传播能力,从而更好地进行优化和学习任务。
Oct, 2019
本文研究图像目标导航问题,提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案,在视觉和物理仿真实验中部署该算法,与现有方法相比,在长时间任务中呈现出 50%以上的相对提高。
May, 2020
我们设计了一种新的可微架构 Neural Graph Optimizer,由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成,通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征,从而实现了 SLAM 的完整神经网络解决方案,并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。
Feb, 2018
本文介绍了一种利用 RGB-D 图像序列进行协作式隐式神经同步定位与地图生成(SLAM)系统,该系统包括完整的前端和后端模块,包括里程计、回环检测、子图融合和全局优化。为了在一个统一的框架中实现所有这些模块,我们提出了一种新颖的基于神经元的三维场景表示方法,其中每个点维护一个可学习的神经元特征用于场景编码,并与某个关键帧相关联。此外,我们提出了一种分布式至集中式学习策略,用于改进协作式隐式 SLAM 的一致性和合作性。还提出了一种新颖的全局优化框架,以提高系统精度,类似于传统的束调整。在各种数据集上的实验证明了该方法在相机跟踪和地图生成方面的优越性。
Nov, 2023
本文提出一种名为 DS-SLAM 的鲁棒的语义视觉 SLAM 方法,旨在解决动态环境下的 SLAM 问题,通过将语义分割网络与运动一致性检查方法相结合,提高了在动态环境下的本地化精度,同时生成了一个稠密的语义八叉树地图,可用于高级任务中。经过多组测试,DS-SLAM 的绝对轨迹精度比 ORB-SLAM2 提高了一个数量级,是当前高动态环境下最先进的 SLAM 系统之一。
Sep, 2018
本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器,将普通物体表示为四面体,进一步细化物体重建,检测附加平面标志并建模为独立地标志,可大幅提高系统的定位性能和语义地图的丰富程度。
Sep, 2018
通过不同 iable SLAM 架构在自我监督方式下训练端到端深度学习模型,我们调查了一种新的方法,在各种基于 LiDAR 的应用中。我们的研究发现,这种使用 SLAM Loss 信号来训练 LiDAR 模型的新范式可以通过社区轻松采用,并提供了提高 LiDAR 导航系统性能的重要见解。
Sep, 2023
提出了一种机器人系统的新方法,其中一个较大系统的每个构件都表示为可微分的程序,即深度神经网络,应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中,成功训练 Navigation Networks(NavNets)来解决这个具有挑战性的部分可观察的导航任务。
Jul, 2018
我们提出了 SLAIM - 同时定位和隐式建图。我们在神经光度场 SLAM(NeRF-SLAM)中提出了一种新颖的粗到细的跟踪模型,以实现最先进的跟踪性能。通过在 NeRF 之上实施高斯金字塔滤波器来解决 NeRF 系统在有限的输入视图情况下收敛到正确几何形状的挑战。我们的方法实现了局部和全局束调整,以产生强大(粗到细)和准确(KL 正则化器)的 SLAM 解决方案。在多个数据集(ScanNet,TUM,Replica)上进行实验证明在跟踪和重建准确性方面达到了最先进的结果。
Apr, 2024
本文介绍了 Photo-SLAM,一种具有超级基元地图的创新 SLAM 框架,通过同时利用显式几何特征进行定位和学习隐式光度特征来表示观察环境的纹理信息,以及采用高斯金字塔训练方法逐步学习多级特征以增强逼真的映射性能。实验证明,与当前最先进的 SLAM 系统相比,我们提出的 Photo-SLAM 在线逼真映射的性能显著优于其他系统,如 Replica 数据集中的 PSNR 提高了 30%,渲染速度快了数百倍。此外,Photo-SLAM 可以在像 Jetson AGX Orin 这样的嵌入式平台上实时运行,展示了机器人应用的潜力。
Nov, 2023