Effectively localizing an agent in a realistic, noisy setting is crucial for
many embodied vision tasks. visual odometry (VO) is a practical substitute for
unreliable GPS and compass sensors, especially in indoor environments. While
SLAM-based methods show a solid performance without l
本文提出了一种基于在线元学习算法的自监督 Visual Odometry(VO)方法,利用了卷积长短时记忆(convLSTM)和特征对齐技术,实现了 VO 网络的持续适应新环境和快速自我更新。实验证明,该方法在未见过的户外场景、虚拟到真实世界和室外到室内环境转换中都明显优于基于自监督学习的 VO 基线方法。
本文提出一种利用神经学中向量符号体系(VSA)的计算范式构建的适用于神经形态计算的视觉里程计(VO)算法。该 VO 网络不仅可以生成并存储所呈现视觉环境的工作内存,同时在估计摄像机的位置和方向变化的同时更新这个工作内存。该文实验验证了该方法在机器人的简单任务和基于事件的数据集上关于 SLAM 任务的高性能表现。