精读机器人会议-语义视觉单词(回环检测)
Bag of Semantic Visual Words (2019IROS)
文章首发于泡泡机器人公众号,这里备份一下。
文章目录
机器人主要会议(ICRA IROS CVPR ICCV RAL TRO)
主要心得:回环检测的方法可以用于重定位;相比于传统的回环检测方法添加了语义信息(传统方法:机器学习;新的方法:深度学习);同时提出未来可以研究一种基于特征向量和语义信息的并行检索
摘要
同步定位与即时建图的性能依赖于位置识别,这通常通过基于图像的检索问题来解决的,其中使用了词袋模型。本文提出一种词袋模型的结构化框架(BOVW)
,能够训练和检索与视觉单词相结合的语义信息。
介绍
一个有效的SLAM算法需要能够鲁棒识别之前观察到的区域来执行回环检测,这使得算法需要正确的数据关联以及获得地图一致性的能力。此外,用于检测回环的方法也可以用于当跟踪丢失代理的重定位能力。近年来,人们提出了许多基于图像匹配的词袋空间数字向量提取方法。尽管现有的位置识别方法已经证明是有效的就计算资源需求以及对于流行的SLAM算法提供了很好的结果。在具有动态(移动对象)或者非结构化环境中容易失效。此外,传统的基于词袋模型的方法缺乏语义信息,限制了过滤无关特征能力(例如,属于植被、行人、移动车辆的特征通常对于定位是不可靠的)。因此,