为室内空中导航进行生物启发、不受监督的代言人学习 (Towards bio-inspired unsupervised representation learning for indoor aerial navigation)

Aerial navigation in GPS-denied, indoor environments, is still an open challenge. Drones can perceive the environment from a richer set of viewpoints, while having more stringent compute and energy constraints than other autonomous platforms. To tackle that problem, this research displays a biologically inspired deep-learning algorithm for simultaneous localization and mapping (SLAM) and its application in a drone navigation system. We propose an unsupervised representation learning method that yields low-dimensional latent state descriptors, that mitigates the sensitivity to perceptual aliasing, and works on power-efficient, embedded hardware. The designed algorithm is evaluated on a dataset collected in an indoor warehouse environment, and initial results show the feasibility for robust indoor aerial navigation.

翻译：在GPS封闭的室内环境中的空中导航仍是一个公开的挑战。无人机可以从更丰富的观点来看待环境,同时比其他自主平台更严格地计算和能源限制。为了解决这一问题,这项研究展示了生物启发的深学习算法,用于同步定位和绘图(SLAM)及其在无人驾驶导航系统中的应用。我们提出了一个不受监督的代表性学习方法,该方法可以产生低维潜伏状态描述器,降低对概念化别名的敏感度,并研究节能嵌入的硬件。设计的算法是根据在室内仓库环境中收集的数据集进行评估的,初步结果显示室内航空导航是否可行。

相关内容

表示学习

关注 183

表示学习是通过利用训练数据来学习得到向量表示，这可以克服人工方法的局限性。表示学习通常可分为两大类，无监督和有监督表示学习。大多数无监督表示学习方法利用自动编码器（如去噪自动编码器和稀疏自动编码器等）中的隐变量作为表示。目前出现的变分自动编码器能够更好的容忍噪声和异常值。然而，推断给定数据的潜在结构几乎是不可能的。目前有一些近似推断的策略。此外，一些无监督表示学习方法旨在近似某种特定的相似性度量。提出了一种无监督的相似性保持表示学习框架，该框架使用矩阵分解来保持成对的DTW相似性。通过学习保持DTW的shaplets，即在转换后的空间中的欧式距离近似原始数据的真实DTW距离。有监督表示学习方法可以利用数据的标签信息，更好地捕获数据的语义结构。孪生网络和三元组网络是目前两种比较流行的模型，它们的目标是最大化类别之间的距离并最小化了类别内部的距离。