Jul, 2024

通过验证定位估计来改进基于视觉地点识别的机器人导航

HTML
PDF
TL;DR该研究介绍了一种新颖的多层感知器（MLP）完整性监控器，用于视觉地点识别系统，该监控器相对于以往的支持向量机方法在性能和泛化能力上有所改进，去除了按环境训练和减少了手动调整要求。我们在广泛的实际实验中测试了我们的系统，并提出了两种基于完整性的实时视觉地点识别验证方法：一种用于导航到目标区域的机器人的瞬时拒绝方法（实验1）；一种根据最佳验证匹配和里程表向前推算到当前位置的历史方法（实验2）。实验1的显著结果包括完成任务机器人路径上目标位置误差的平均减小从约9.8米到约3.1米，成功完成任务的比率从约41%提高到约55%。实验2显示了路径定位误差的平均减小从约2.0米到约0.5米，以及定位尝试的精度从约97%提高到约99%。总体而言，我们的结果表明实时视觉地点识别完整性监控器在实际机器人系统中具有实用价值，可以改善视觉地点识别和导航性能。
发现论文，激发创造
  • VPR-Bench:一个开源的视觉场所识别评估框架，可量化视点和外观变化

    本研究提出了一个名为“VPR-Bench”的综合性开源框架，以帮助评估不同的视觉地点识别技术，该框架包含12个完全集成的数据集和10种VPR技术。通过应用和分析计算机视觉和机器人学界的流行评估指标，本文讨论了这些不同指标如何在不同应用和系统需求下相互补充和替代。

    May, 2020

  • 视觉地点识别，你的位置在哪里？

    本文通过调查与研究Visual Place Recognition（VPR）的关键要素，提出一种基于视觉重叠的新的VPR定义，并指出未来需要深入关注的挑战和领域。

    Mar, 2021

  • 使用自身中心和世界中心地图实现主动域无关的自定位

    通过使用深度强化学习训练域不变的next-best-view planner（下一个最佳视角规划器）来解决在自主机器人导航中收集大量视觉经验的高成本问题。具体来说，使用卷积神经网络中的输出层提示和中间层提示来训练多视角NBV规划器并在公共NCLT数据集上进行实验证实了该方法的有效性。

    Apr, 2022

  • 用于改善单帧和加权序列视觉位置识别的无监督质量预测

    本研究提出了一种新的、无需训练的定位质量预测方法和一种利用这些预测来偏置序列匹配过程的新方法，使综合系统在四个数据集和三种VPR技术中得到了性能上的提升。

    Jul, 2023

  • AnyLoc: 通向全球视觉地点识别的进展

    通过使用通用特征表示和无监督特征聚合，本研究提出了一种适用于各种结构化和非结构化环境的通用视觉地点识别(VPR)解决方案，并取得了相较于现有方法高出4倍的显著性能提升，同时对特征进行语义属性建模获得6%的性能改善。

    Aug, 2023

  • 可视化位置识别的低比特量化神经网络的设计空间探索

    通过研究紧凑卷积网络架构和后训练量化对视觉地点识别（VPR）性能的影响，我们不仅通过recall@1分数测量性能，还测量内存消耗和延迟，为受资源限制的VPR系统提供了设计建议。

    Dec, 2023

  • 多技术顺序信息一致性在变化环境中的动态视觉地点识别

    多顺序信息一致性 (多音乐)是一个利用顺序信息在在线每帧基础上选择最具连贯性技术的VPR系统，通过分析各技术的前几个匹配候选的帧间连续性，然后直接进行比较选择当前查询图像的最佳技术，该系统在不同基准数据集上提高了整体VPR性能，避免了对运行时环境的额外准确场景。

    Jan, 2024

  • TSCM: 一种利用跨度量知识蒸馏进行视觉地点识别的教师学生模型

    我们提出了一种高性能的教师和轻量级学生蒸馏框架TSCM，通过使用交叉度量知识蒸馏来缩小教师和学生模型之间的性能差距，提高识别准确度。该方法在大规模数据集上进行了全面评估，实验结果表明其在识别准确度和模型参数效率方面优于基线模型，而且我们的消融研究也证明了所提出的知识蒸馏技术的优越性。

    Apr, 2024

  • 动态调节视觉地点识别序列长度以达到最低可接受性能场景

    使用校准数据集拟合模型，以覆盖目标定位性能，通过调整序列长度来最大化满足或超出目标性能的数据集部分的数量，同时最小化使用的中位长度。

    Jul, 2024

  • 高效视觉位置识别的结构化剪枝

    本研究针对视觉位置识别（VPR）效率不足的问题，提出了一种新颖的结构化剪枝方法，旨在简化常见VPR架构并有效去除特征嵌入空间中的冗余，以改善系统的资源利用。实验表明，该方法在内存占用和延迟上分别减少了21%和16%，几乎不影响准确率，显著提升了边缘设备上的实时应用能力。

    Sep, 2024