【泡泡一分钟】基于CNN特征的SeqSLAM闭环实时性检测

会员服务 ·

【泡泡一分钟】基于CNN特征的SeqSLAM闭环实时性检测

2018 年 4 月 4 日 泡泡机器人SLAM 泡泡一分钟

每天一分钟，带你读遍机器人顶级会议文章

标题：CNN Feature boosted SeqSLAM for Real-Time Loop Closure Detection

作者：Dongdong Bai,Chaoqun Wang,Bo Zhang,Xiaodong Yi Xuejun Yang

来源：arXiv 2017

播音员：四姑娘

编译：刘彤宇

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

大家好，今天为大家带来的文章是——基于CNN特征的SeqSLAM闭环实时性检测，该文章发表于 arXiv 2017 。

闭环检测（LCD）是同时定位和地图构建（SLAM）不可或缺的部分;它使机器人通过识别先前访问过的地点来生成一致的地图。当机器人长时间运行时，视点的稳健性和环境变化以及高实时性成为实用LCD系统的基本要求。本文提出了一种直接利用预先训练的卷积神经网络（CNN）的中间层输出作为图像描述子的方法。通过SeqCNNSLAM方法匹配图像序列，进而确定匹配位置。我们从视点和条件稳定性方面对SeqCNNSLAM的实用性进行全面评估。实验表明，在大多数情况下，SeqCNNSLAM方法，如SeqSLAM和Change Removal是优于最先进的LCD系统。为了SeqCNNSLAM的实时性能，建立了一种增速方法A-SeqCNNSLAM。该方法利用匹配图像与相邻图像之间的位置关系来减少当前图像的匹配范围。结果表明，以最小的准确率损耗实现速度的4-6倍提升，并且该方法的运行时间满足实时需求。为了将A-SeqCNNSLAM的适用性扩展到新环境中，使用O-SeqCNNSLAM方法，为了在线调整A-SeqCNNSLAM的参数

本文使用了两个数据集——Nordland数据集和Gardens Point数据集，分别从季节变化和阳光变化对环境的影响测试算法的实用性。该CNN模型是一个多层神经网络，主要由五个卷积层，三个最大池层和三个完全连接层组成。最大池层仅遵循第一，第二和第五卷积层，但不遵循第三和第四卷积层。该架构如图所示。

图示 Places-CNN/AlexNet模型的架构

Abstract

Loop closure detection (LCD) is an indispensable part of simultaneous localization and mapping systems (SLAM); it enables robots to produce a consistent map by recognizing previously visited places. When robots operate over extended periods, robustness to viewpoint and condition changes as well as satisfactory real-time performance become essential requirements for a practical LCD system.

This paper presents an approach to directly utilize the outputs at the intermediate layer of a pre-trained convolutional neural network (CNN) as image descriptors. The matching location is determined by matching the image sequences through a method called SeqCNNSLAM. The utility of SeqCNNSLAM is comprehensively evaluated in terms of viewpoint and condition invariance. Experiments show that SeqCNNSLAM outperforms state-of-the-art LCD systems, such as SeqSLAM and Change Removal, in most cases. To allow for the real-time performance of SeqCNNSLAM, an acceleration method, A-SeqCNNSLAM, is established. This method exploits the location relationship between the matching images of adjacent images to reduce the matching range of the current image. Results demonstrate that acceleration of 4-6 is achieved with minimal accuracy degradation, and the method’s runtime satisfies the real-time demand. To extend the applicability of A-SeqCNNSLAM to new environments, a method calledSeqCNN-SLAM is established for the online adjustment of the parameters of SeqCNNSLAM.

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。

点击阅读原文，即可获取本文下载链接。

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/forums/