曾夫人论坛开奖结果 · 
【泡泡图灵智库】稳定无监督特征学习的激光地
发布时间: 2019-10-09

  基于激光的有效定位和建图任务的主要挑战之一是地点识别。传统方法通常需要还原全局几何地图,再依赖于几何匹配来实现地点识别。在本文中,我们基于具有激光输入数据的端到端特征学习框架完成了地点识别任务。该方法由两个核心模块组成:动态八叉树建图模块,在考虑机器人运动的情况下生成局部二维地图;无监督地点特征学习模块,它是一个改进的对抗性特征学习网络,可以满足长期导航中的地点识别需求。更具体地说,对于地点特征学习,我们提出了一个额外的生成对抗网络,其具有减小条件熵的模块,在无监督情况下稳定特征学习过程。我们在Kitti数据集和North Campus Long-term LiDAR数据集上评估了所提出的方法。实验结果表明,本文提出的方法在长期应用中的识别能力优于现有技术,特征数量和提取效率适用于机器人平台上的实时行为。

  1、介绍动态八叉树建图的方法,用原始激光输入模拟移动机器人周围的局部3D地图,基于机器人运动的误差模型来更新局部的占据地图。

  2、提出了新的地点特征提取方法,将鸟瞰图像编码成低维特征向量,黄大仙心水论坛可快速存储和检索以用于长期地点识别。

  八叉树是树型结构:根节点和每个子节点都被赋予相等的子空间,如图1所示。子节点继续被分割,直到叶节点的节点边缘达到给定阈值。动态八叉树的根节点固定在当前移动机器人的位置,并且动态更新全部叶节点。

  动态八叉树中最低级别的叶节点可通过对数概率方法更新它们的占用度。对于具有给定序列测量z1:t的叶节点n,它的占用率P(nz1:t)计算公式如下:

  更新移动机器人的位置为每个叶节点的占用度增加了不确定性。本文使用对数概率更新机制来解决这个问题。

  第一行显示了原始点云数据,第二行表示基于动态八叉树建图的累积占用率,第三行显示的是投影的鸟瞰2D地图。

  为了压缩激光测量的高维空间,本文使用对抗特征学习方法。如图3所示,该方法的体系结构包括:解码器De,用于从隐编码z中生成合成数据x;编码器En,用于将数据空间x映射到隐编码空间;鉴别器,用于区分联合分布P(x,En(x))和P(De(z),z)。

  对于长期地点识别任务,编码器模块应具有较高的泛化和独特的映射能力。因此,我们提出的稳定地点特征学习模块试图在以下两个方面改进对抗性特征学习:

  为了提高解码器的泛化能力,我们应用附加的GAN使学习的编码器模块捕获更多的几何细节。这可以通过定义损失函数来实现:

  其中,是编码器从x到z的映射,是解码器,它生成合成数据以欺骗鉴别器。θ,φ和w是网络参数。网络模块如图4所示。因此,最优解码器和鉴别器缩短了实际数据分布与合成数据之间的距离,并使解码器具有更高的泛化能力。

  由于H(ZX)和H(XZ)都难以直接评估,因此通过最小化其上限来优化条件熵:

  但是,我们需要为对数似然估计提供对(z,)。在不失一般性的情况下,我们使用重建损失L(zx) (,)作为H(zx)的上界。类似地,条件熵H(xz)的上界可以导出为。

  L(xz)和L(zx)都显示在图4中。最后,联合损失函数结合了先前定义的损失函数,并定义为,

  最后,为了提高所提方法的鲁棒性,本文结合联合航向不变特征,在存在极端视点差异的情况下,进一步提高所提方法的性能。

  图5 不同方向角下三种方法的PR曲线度时,原始的SeqSLAM方法无法生效。所有方法在NCTL数据集上的表现都优于Kitti数据集。与其他方法相比,本文提出的PFL具有更高的识别准确度。图6清楚地反映了PFL方法对航向变化的稳健性。

  在AFL的情况下,不同的场景可能很容易建图成相似的场景,这是由原始GAN中的模型崩溃问题引起的。而在PFL情况下,全局几何细节可以保留在逆建图下,增强了从数据空间到相对隐编码空间的唯一性。


188144现场报码| 香港正版挂牌最快最新| 香港正版挂牌| www.6h11.com| 六福心水论坛| 全年6肖| 今天晚上开什么码| 84384现场报码开| 中特网| 香港挂牌之全篇资料| 管家婆彩图| 一品堂最早开奖3k4khk|