Dieser Artikel stellt ein neuartiges selbstüberwachtes Lernframework für SLAM-Systeme vor, das als "Imperative SLAM" (iSLAM) bezeichnet wird. Das Framework fördert eine wechselseitige Korrektur zwischen dem Front-End (datengetriebene Bewegungsschätzung) und dem Back-End (geometriebasierte Optimierung) des SLAM-Systems, um die Gesamtleistung zu verbessern.
Konkret wird das SLAM-Problem als zweistufige Optimierung formuliert, bei der das Front-End-Modell durch die Rückführung der Residuen aus dem Back-End-Optimierungsprozess gelernt wird. Dadurch kann das Front-End-Modell globales geometrisches Wissen erwerben, ohne auf externe Überwachung angewiesen zu sein.
Die Autoren demonstrieren die Wirksamkeit dieses Ansatzes anhand eines Stereo-Inertial-SLAM-Systems. Die Experimente zeigen, dass die iSLAM-Lernstrategie im Durchschnitt eine Genauigkeitsverbesserung von 22% gegenüber einem Basismodell erzielt. Darüber hinaus ist iSLAM das erste SLAM-System, das zeigt, dass Front-End und Back-End sich in einem selbstüberwachten Verfahren gegenseitig verbessern können.
翻譯成其他語言
從原文內容
arxiv.org
深入探究