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
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
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
该论文提出了一种基于视觉和 LiDAR-based 的深度学习网络联合的、采用较为经济实惠的相机作为被动传感器的方法,将它们训练后进行优化以提高室外定位的精度,其误差比传统的视觉定位方法小至少 10 倍,通过对行人行为的不同研究,成功避免了多种不同时间、气候带来的问题。
Jun, 2017
本研究对本地特征匹配方法进行了全面的综述,将其分类为基于探测器和不基于探测器两类,并探索了其在不同领域的实际应用和面临的当前挑战,以及未来的研究方向。
Jan, 2024
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
本文介绍了解决传统视觉定位和建图中局部特征不一致的问题的第一个原则性解决方案,并在各种手工制作的和学习的特征的最新基准测试中证明了其有效性。
Dec, 2020
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。
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