目录
1. 引言
深度学习与SLAM 的结合主要体现在 3 个方面,即基于深度学习的帧间估计、闭环检测和语义地图生成.
2. 深度学习与帧间估计
算法误差较大,运动速度快时计算量跟不上。
基于深度学习神经网络的帧间估计还处于研究起步阶段,算法之间的对比性理论分析和实验还有待继续开展.
3.深度学习与闭环检测
相较于传统闭环检测(位置识别)算法,基于深度学习的方法利用深度神经网络提取图像特征,表达图像信息更充分,对光照、季节等环境变化有更强鲁棒性.但是,如何选择合适的隐含层表示图像特征、如何设计神经网络架构和如何利用面向任务的大数据集对网络参数迁移学习优化等问题依然是未来研究的重要问题.
4. 深度学习与语义SLAM
语义 SLAM 是指 SLAM 系统在建图过程中不仅获得环境中的几何结构信息,同时可以识别环境中独立个体,获取其位置、姿态和功能属性等语义信息,以应对复杂场景及完成更加智能的服务任务.
当前基于深度学习的语义 SLAM 多是单向的,即利用传统SLAM 改进语义分割结果,还未出现语义信息与 SLAM 相互促进的完善机制.语义SLAM 是机器人完成高层次智能任务的前提,而深度学习的出现会对未来的语义SLAM 起到积极的促进作用.
5. 深度学习方法与传统方法对比
鲁棒的特征应在不同视角(相似变换下)、光照强度变化和背景变化等情况下具有描述不变性.
6. 未来展望
6.1 高维传感器数据处理与融合
可考虑设计 CNN3 维卷积和池化网络架构,从原始 3D 点云中直接提取空间特征.进一步的,在 3 维点云基础上融合RGB 信息可同时获取环境的纹理色彩和结构特征,可提高特征对环境的信息表达力.
6.2 机器人知识库+6.3 云机器人
6.4 SLAM促进深度学习
大尺度SLAM 系统构建的地图和帧间位姿关系,客观上为深度学习提供了大规模图像到图像“关联”的数据集,可实现网络参数的进一步学习和调整,以适应于特定应用场景.
7. 结论
训练参数很大程度依赖专家的调参经验,其训练效果较依赖数据库质量以及和当前应用场景的相似度.因此,一方面,未来SLAM 系统性能还将长期受益于深度学习理论的深入发展;另一方面,目前深度学习多应用于SLAM 局部的子模块,如定位模块或闭环检测模块,而如何将深度学习架构的应用贯穿于整个SLAM 系统仍是一个巨大挑战.