【泡泡一分钟】机器人顶级会议精华提炼（20190909-20190915）
每天一分钟，带你读遍机器人顶级会议文章
来源：计算机视觉和机器人顶级会议
播音员：水蘸墨，赵嘉珩
汇总：孙钦
编译：泡泡一分钟全体组员
欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
摘要
2019年9月9日至2019年9月15日，泡泡一分钟共推送了15篇文章。其内容涉及到SLAM架构（4篇）、机器人地图与导航（3篇）、视觉定位（3篇）、状态估计（3篇）、语义分割（2篇）五个方面。
SLAM架构
SLAM架构方面本周共推送4篇文章。
在第一篇文章中，考虑到目前提出的大量SLAM算法在接口上很少进行统一，且没有人对它们各自的能力在整体上进行比较。作者提出了一种名为SlamBench2的基准框架，使用可比较且明确指定的性能指标列表，在可扩展的数据集中评估现有和未来的开源或闭源SLAM系统。
在第二篇文章中，作者解决了具有尺寸，重量和功率（SWAP）约束的平台上的视觉惯性状态估计、控制和3D建图的问题。通过在250g，直径22cm的四旋翼飞行器平台上的实验，证明了在仅配备立体摄像机和IMU以及计算能力有限的CPU的条件下，其创建环境的3D地图以及自主导航的能力。
第三篇文章提出了一种全新的实时物体定位的单目视觉SLAM方法。与依靠物体级模型的方法不同，该方法通过最近广泛使用的CAD数据集构建类别级模型。
第四篇文章提出了一种在由多个房间组成的复杂室内环境中，利用麦克风阵列对人的声源进行定位的移动机器人增量学习框架。与利用到达方向（direction of arrival ，DOA）估计的传统方法不同，该框架允许机器人通过增量学习方案积累训练数据，并随着时间的推移提高预测模型的性能。
视觉定位
目标处理方面本周推送了3篇文章。
第一篇文章提出了一种感知机器人视觉系统(PIRVS)，该系统在视觉-惯性计算硬件上嵌入了同时定位和建图算法，且算法在个人电脑和PIRVS硬件上都能够实时运行。通过在多个数据集上进行实验评估，本文的方法不仅在精度上与最先进视觉-惯性方法相当，而且在PIRVS硬件上，该算法更高效。
在第二篇文章中，作者聚焦于数据结构和算法层面，提出了一种名为ProSLAM的轻量级开源双目视觉SLAM系统。通过在基准数据集上进行实验，证明了该方法与现有技术相比，不仅精度更好，且需要更少的计算资源。
第三篇文章提出了一种室外大规模的图像定位方法，该方法引入了一个新的基于学习方法的全局图像描述子，从而能够应对诸如跨季节、跨天气、白天/黑夜以及长期定位等具有挑战性的场景。
状态估计
状态估计方面本周推送了3篇文章
第一篇文章提出了一种新的名为压缩方向距离变换（Compressed Directional Distance Transform）的数据结构。同其它方法相比，本文方法在恶劣的条件下，不仅能够实现地图在线更新，而且在地图尺寸固定的情况下，能用接近常量时间实现光线投射。我们的实验结果表明，算法性能接近基于查表法的三维光线投射，但是在内存使用量和预算量上却少了两个数量级。
在第二篇文章中，考虑到光束平差法的初始化问题以及在慢速运动和纯旋转情况下的困难，作者提出使用旋转平均（rotation averaging）作为SLAM优化的核心。这使得SLAM系统更简单，且能够处理慢速运动或纯旋转运动情况。
在第三篇文章中，作者利用深度学习和变分推理的最新进展来校正状态空间系统的动态和观测模型。同时作者还提出利用轮速传感器和光纤陀螺仪进行状态传播，利用IMU来更新估计的状态,从而构建扩展卡尔曼滤波器（EKF）。最终的实验结果表明，经过学习的校正模型和EKF比原始模型更准确。
机器人地图与导航
机器人地图与导航方面本周推送了3篇文章。
在第一篇文章中，考虑到在大规模半结构化环境中，视觉机器人导航所面临的种种挑战（如计算密集型路径规划算法或关于可穿越空间的不充分知识），使得机器人无法完成复杂的任务。作者提出了一种名为Topomap的框架，且从理论上证明了其更高的全局规划效率。在现实世界数据集的规划实验表明，该框架在实现了RRT*类似性能的同时，显著地降低了算法对计算时间和存储的要求。
在第二篇文章中，作者扩展了自己以前的工作，使用点、线、面等几何特征实现了辅助惯性导航系统（INS）的可观测性分析。分析结果表明，具有相同特征和不同特征组合的线性化辅助INS通常具有相同的可观察性。
第三篇文章提出了一种新颖的探索算法，该算法不仅考虑体积图（volumetric map），还考虑重建的表面。解决了移动机器人的路径规划问题，从而构建未知环境的高精度3D模型。
语义分割
语义分割方面，本周共推送2篇文章。
本文提出了一种用于点云语义分割的分层深度图卷积神经网络（HDGCN）。该网络由一系列DGConv块使用分层结构构成，可以提取点云的局部和全局特征。实验表明，HDGCN在室内数据集（S3DIS）和室外数据集（Paris-Lille-3D）中实现了最先进的性能。
第二篇文章提出了一种利用现有植被指数进行实时分类的CNN方法，该方法仅利用RGB数据，解决了分离甜菜、杂草和背景的作物田的语义分割问题。通过在德国和瑞士不同领域的真实农业机器人上的评估实验显示，该系统通用性好，可在20Hz左右工作，适用于现场在线作业。
如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。
欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。
有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！
泡泡网站：www.paopaorobot.org
泡泡论坛：http://paopaorobot.org/bbs/
泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！
商业合作及转载请联系liufuqiang_robot@hotmail.com
相关内容
微信扫码咨询专知VIP会员