深度学习在SLAM中的应用

转自AI研习社https://mp.weixin.qq.com/s/uz1GoOQiUtgfUkKkqZOntA

简单介绍几个比较有代表性的工作, 分为以下几类：

  I. 相机重定位（Relocalization）

Deep Learning 和 SLAM 结合的开山之作 ，剑桥的论文：PoseNet 。该方法使用 GoogleNet 做了 6 自由度相机 pose 的 regression。训练数据是带有 ground truth pose 的场景帧。

图 1. PoseNet，第一行是原图，第二行是根据所估计的相机姿态做 3D 重建后的场景图，第三 行是原图和重建后的场景的重叠。

论文：Alex Kendall, Matthew Grimes, Roberto Cipolla, "PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization", in ICCV 2015, https://arxiv.org/abs/1505.07427

代码： https://github.com/alexgkendall/caffe-posenet

  II.  特征点提取与匹配：

（1） 帧帧之间的匹配是传统特征法 SLAM 的重要环节。

这里首先推荐一下 EPFL 的文章 LIFT （Learned Invariant Feature Transform ），通过深度神经网络学习图像中的特征点。pipeline 如图 2，LIFT 分别计算了 Detector, Orientation Estimator 以及 Descriptor 。

图 2. LIFT pipeline

和 SIFT 特征相比，LIFT 能够提取出更稠密的特征点，如图 3 所示。

图 3. SIFT（左）和 LIFT（右）提取出来的特征点对比

论文：Kwang Moo Yi, Eduard Trulls, Vincent Lepetit, Pascal Fua, "LIFT: Learned Invariant Feature Transform", in ECCV 2016, https://arxiv.org/abs/1603.09114

代码：http://t.cn/RiepX4E

（2）Toward Geometric Deep SLAM

Magic leap 的文章：Toward Geometric Deep SLAM ，介绍了一种非常出色的特征点（角点）提取和匹配的方法，如图 4 所示：

图 4. Deep Point-Based Tracking

来看看这牛逼闪闪的效果，提出来的点不多不少，准确的定位到了物体的每个角点，简直是强迫症的福音！

图 5. 特征点的提取效果

论文中还和 FAST，Harris 等经典特征提取法做了比较，本文的方法对于噪声比较 robust，提取的特征点看着也比 FAST，Harris 舒服，有兴趣的可以细读文章。我相信本文的方法在今后的特征法 SLAM 系统中定能大放光彩。

论文：Daniel DeTone,  Tomasz Malisiewicz,  Andrew Rabinovich， “Toward Geometric Deep SLAM”，https://arxiv.org/abs/1707.07410

代码：还没有

  III. 端对端视觉里程计：

（1）今年 CVPR 的 SfM-Learner。

文章的核心思想是利用 photometric consistency 原理来估计每一帧的 depth 和 pose。photometric consistency 就是对于同一个物体的点，在不同两帧图像上投影点，图像灰度应该是一样的。论文方法的大体过程请看图 6。

图 6. SfM-Learner 的训练和测试大体过程

各位回忆一下直接法 SLAM 的经典：LSD-SLAM (LSD-SLAM: Large-Scale Direct Monocular SLAM，http://t.cn/RWrwBuu)，有没有感觉这篇文章的核心思路和 LSD-SLAM 如出一辙？本质都是优化 photometric error。 来看看 SfM-Learner 的 Loss（最终的 Loss 在此基础上做了优化），

再看看 LSD-SLAM 里面，需要优化的 photometric error 函数：

有没有很像？

论文：Tinghui Zhou, Matthew Brown, Noah Snavely, David G. Lowe, "Unsupervised Learning of Depth and Ego-Motion from Video", in CVPR 2017, https://arxiv.org/abs/1704.07813

代码：https://github.com/tinghuiz/SfMLearner

（2）今年的新文章：SfM-Net。

听名字就和 SfM-Learner 很像，这篇文章和 SfM-Learner 都是出自 Google。论文的核心思想也是利用 photometric constancy 来计算 pose，depth。除此之外，作者还计算了光流，scene flow，3D point cloud 等。可以说是 SfM-Learner 的升级版。

图 7. SfM-Net 网络结构

论文：Sudheendra Vijayanarasimhan, Susanna Ricco, Cordelia Schmid, Rahul Sukthankar, Katerina Fragkiadaki， “SfM-Net: Learning of Structure and Motion from Video”, Learning of Structure and Motion from Video（https://arxiv.org/abs/1704.07804）

代码：还没有

（3）DeMoN

另外一篇和 SfM-Net，SfM-Learner 比较相似的文章：DeMoN，使用 pose, depth 作为监督信息，来估计 pose 和 depth。最后的效果非常不错。网络的核心部分如图所示

图 8. DeMoN 网络核心结构

论文：Benjamin Ummenhofer, Huizhong Zhou, Jonas Uhrig, Nikolaus Mayer, Eddy Ilg, Alexey Dosovitskiy, Thomas Brox, "DeMoN: Depth and Motion Network for Learning Monocular Stereo", in CVPR 2017，https://arxiv.org/abs/1612.02401

代码：https://github.com/lmb-freiburg/demon

  IV. 语义 SLAM

CNN-SLAM。

该文章使用直接法估计相机姿态，使用 CNN 来估计 Depth，以及做图像语义分割。然后将 Geometry 和 semantic 融合起来，生成具有语义信息的 map。

图 9. CNN-SLAM pipeline

论文：Keisuke Tateno, Federico Tombari, Iro Laina, Nassir Navab, "CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction", in CVPR 2017, https://arxiv.org/abs/1704.03489

代码：还没有

  总结一下

从目前的研究情况来看，深度学习在 SLAM 这个问题上还没有完全取代传统方法的能力。希望各位同僚继续努力！

跳出 SLAM，说点题外话，利用深度强化学习来进行端对端的机器人导航，已经有了不错的结果。人类在环境中导航，不也是直接输入 image，输出 action 吗？有兴趣的可以看看这两篇文章：

(1) [1702.03920] Cognitive Mapping and Planning for Visual Navigation

https://arxiv.org/abs/1702.03920

(2) [1609.05143] Target-driven Visual Navigation in Indoor Scenes using Deep Reinforcement Learning

https://arxiv.org/abs/1609.05143