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.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Taimeng Fu,S... lúc arxiv.org 03-25-2024
https://arxiv.org/pdf/2306.07894.pdfYêu cầu sâu hơn