Jun, 2024

从完美到嘈杂的世界模拟：用于 SLAM 鲁棒性评估的可定制的多模态干扰

PDF
TL;DR我们提出了一种新颖的、可定制的噪声数据合成管道，旨在评估多模态 SLAM 模型对各种干扰的弹性，通过使用所提供的工具箱，将清洁环境转化为具有挑战性的噪声模拟。使用该管道，我们构建了大规模 Noisy-Replica 基准，并评估现有高级 RGB-D SLAM 模型对多种干扰类型的风险容忍度。
embodied agentsslam modelsnoisy data synthesisperturbationsrgb-d slam models
发现论文，激发创造
  • 可定制扰动合成用于鲁棒性 SLAM 基准测试

    我们提出了一个用于评估多模态 SLAM 模型对各种扰动的鲁棒性的新型、可定制的噪声数据合成流程，并利用此流程实例化了 Robust-SLAM 基准，揭示了现有 SLAM 模型在真实世界干扰下的易感性。

    Feb, 2024

  • 视觉 SLAM 的鲁棒性测量

    本文对 RGB-D SLAM 进行了可行性研究，通过 ORBSLAM2 等视觉 SLAM 方法在公开数据集和自行构建的 HomeRobot 数据集上进行实验，发现它们在很多情况下可以取得很好的精度，但健壮性仍然是一个问题。

    Oct, 2019

  • R^2-Bench: 参照感知模型在干扰下的鲁棒性基准测试

    本研究评估了引用感知模型对各种扰动在通用和特定情境下的鲁棒性，提出了扰动的综合分类，并开发了一个多功能工具箱来合成和评估复合扰动的影响。通过该工具箱，构建了一个评估引用感知模型对嘈杂条件下的健壮性的基准，同时还提出了一种基于语言模型的代理机制，通过自然语言指令简化和自动化模型评估。研究揭示了当前引用感知模型在各种扰动下的弱点，并提供了评估模型鲁棒性的工具，有望促进智能系统安全、鲁棒地融入复杂现实场景。

    Mar, 2024

  • 稳健导航：走向评估行动导航鲁棒性

    提出 RobustNav 框架，旨在评估具有鲁棒性的导航代理的性能，并在受到各种视觉和动态的影响下量化性能。通过系统分析在不同污染下使用标准导航代理产生的怪异行为，我们发现其中一些标准代理的表现明显下降。对于 RobustNav 中的视觉污染，虽然这些标准技术可以在零次抗阻和导航性能方面提供一些效果，但相对于干净的 “无污染” 设置还有很长的路要走，仍需要更多的研究。

    Jun, 2021

  • SLAMBench：一个用于 SLAM 性能和准确性基准测试的方法论介绍

    该论文介绍了一个软件框架 SLAMBench，通过实验研究不同的实现和算法在 RGB-D SLAM 系统性能、精度和能耗等方面的权衡，并提供了多个平台上的执行时间和能效分析结果。

    Oct, 2014

  • 动态环境下的实时 SLAM 管道

    本文提出了一个新的实时 SLAM 流水线，使用 RGB-D SLAM 和 YOLO 实时物体检测来分割和去除动态场景，并构建静态场景 3D 模型。

    Mar, 2023

  • 用于越野无人车的多模态动力学建模

    该篇论文研究如何在戶外和非结构化环境下使用多种传感器来构建预测机器人动态的模型，实验表明多种传感器的组合能够更准确地预测机器人的状态变化。

    Nov, 2020

  • LLM 的输入扰动问题重新审视：噪声槽填充任务的统一鲁棒性评估框架

    使用大型语言模型来评估对话理解能力，在输入扰动场景下提高扰动稳健性表现。

    Oct, 2023

  • 用于具身视觉的模态不变视觉里程计

    提出一种基于 Transformer 的模态不变的 Visual Odometry 方法，可以应对不同或变化的导航代理的传感器套件，该模型在仅使用部分数据进行训练时，优于先前的方法。

    Apr, 2023

  • 朝向稳健且通用的训练：基于输入扰动的噪声槽填充的实证研究

    存在对话场景中的未知输入噪声，已有的受监督槽填充模型在实际应用中性能低下；通过引入一个名为 Noise-SF 的噪声鲁棒性评估数据集，本文的提出的框架可以有效地提高模型的鲁棒性。

    Oct, 2023