深度学习SLAM综述部分翻译

我们提供了一种跟定位和建图相关&＃xff0c;现有的深度学习方法的新分类法&＃xff0c;来联系机器人技术&＃xff0c;计算机视觉和机器学习领域。大致可以按里程计估算&＃xff0c;建图&＃xff0c;全局定位和SLAM为类别进行分类&＃xff0c;如图2展示的分类方法所示。

里程计估计涉及到两帧或者更多帧传感器数据&＃xff0c;以平移和旋转的方式来计算相关位姿的变化。他不断的跟踪自我运动&＃xff0c;对相对于初始状态的这些位姿的变化进行积分&＃xff0c;根据位置和方向获得全局的位姿。这就是众所周知的所谓的航迹推算法。里程计估计可用来提供位姿信息&＃xff0c;并辅助机器人控制的反馈回路。关键在于不同传感器测量中准确的估计运动转换。为此&＃xff0c;深度学习被应用于端到端的方式来对运动动力学建模或者以混合的方式来提取有用的特征来支持预构建系统。

建图构造和重构一个持续的模型来描述周围的环境&＃xff0c;建图对操作员或者高级机器人来说是用来提供环境信息&＃xff0c;限制里程计估计的误差漂移。并检索查询的观测值来进行全局定位。深度学习说被视为建图很有用的工具&＃xff0c;它能在高维的原始数据中找到场景几何和语义。基于建图方法深度学习又可以被细分为几何&＃xff0c;语义和广义建图&＃xff0c;取决于神经网络学习场景的是显式几何或语义&＃xff0c;或者是分别将场景编码为一个隐式的神经表征。

全局定位是用先验知识&＃xff0c;在已知的场景中恢复移动智能体的全局位姿。这是用预先建立的2D或3D地图&＃xff0c;其他的空间参考&＃xff0c;或者之前访问过的场景&＃xff0c;通过匹配查询输入数据来实现的全局定位&＃xff0c;他可以被用来降低位姿漂移和航迹推算系统或者机器人绑架问题。深度学习被用来解决棘手的数据关联问题&＃xff0c;该问题由于查询数据和地图之间的视图、光照天气和场景动态的变化而变得复杂。

SLAM 集成了之前提到的里程计估计&＃xff0c;全局定位和建图程序作为前端&＃xff0c;在定位和建图上共同优化这些模块来提高性能&＃xff0c;除了这些之前提过的方法&＃xff0c;几个其他的SLAM模块执行如下&＃xff0c;来保证整个系统的一致性&＃xff1a;局部优化保证相机运动和场景几何的局部一致性&＃xff0c;全局优化在于在全局范围内限制全局轨迹的漂移。关键帧检测在基于关键帧SLAM中用来确保更有效的推理&＃xff0c;当整个系统错误的漂移能够被全局优化降低&＃xff0c;一旦通过闭环检测检测到闭环&＃xff0c;不确定性估计可提供对所学的位姿和建图的置信度,对在SLAM系统中进行概率传感器融合和后端优化很关键。

尽管各个组件的设计目标不同&＃xff0c;上面的组件都可以集成到空间机器智能系统中&＃xff0c;解决现实世界的挑战。允许鲁棒性的操作和在野外长期自治&＃xff0c;基于深度学习的定位与建图系统的概念图如图3所示。展示了这些组件之间的关系。在接下来的部分中&＃xff0c;我们将详细的讨论这些组件。