亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于注意力模型的視覺/慣性組合里程計(jì)算法研究

        2020-07-29 01:57:04胡小平陳昶昊張禮廉
        導(dǎo)航定位與授時(shí) 2020年4期
        關(guān)鍵詞:里程計(jì)掩膜位姿

        屈 豪,胡小平,陳昶昊,張禮廉

        (國防科技大學(xué)智能科學(xué)學(xué)院,長沙 410073)

        0 引言

        單目相機(jī)因具有配置簡單、成本低廉等特點(diǎn),在民用精度級別的實(shí)時(shí)定位與建圖(Simultaneous Localization and Mapping,SLAM)系統(tǒng)中應(yīng)用較為廣泛。針對單目相機(jī)開發(fā)的視覺里程計(jì)算法按照不同的基礎(chǔ)理論可分為:基于幾何的單目視覺里程計(jì)以及基于深度學(xué)習(xí)的單目視覺里程計(jì)。

        基于幾何的單目視覺里程計(jì)一般采用手工設(shè)計(jì)的算子識別圖像中的特征點(diǎn),并按照一定的準(zhǔn)則辨識多幀圖像中的匹配特征點(diǎn);隨后使用多視圖幾何模型描述時(shí)間上相鄰圖像匹配特征點(diǎn)之間的相對運(yùn)動關(guān)系,同時(shí)采用異常值剔除算法排除不符合相機(jī)運(yùn)動模型的特征點(diǎn),進(jìn)一步提升視覺里程計(jì)的性能。LIBVISO2[1]采用了典型的基于幾何的視覺里程計(jì),使用sobel算子構(gòu)建特征描述子,并將相鄰幀圖像中描述子向量小于一定閾值的特征點(diǎn)視為匹配特征點(diǎn),使用隨機(jī)采樣一致性(Random Sample Consensus,RANSAC)算法排除不符合相機(jī)運(yùn)動模型的外點(diǎn)。為了能加快整體系統(tǒng)的運(yùn)行效率以及精度,并行跟蹤與映射算法(Parallel Tracking And Mapping,PTAM)[2]和ORB-SLAM[3]采用輕量化算子在多種分辨率的圖像中捕捉特征點(diǎn)。

        然而在光線較暗或者存在大面積遮擋的情況下,單目視覺里程計(jì)的特征點(diǎn)捕獲算法無法獲得足夠的圖像特征,從而導(dǎo)致算法失敗?,F(xiàn)階段一部分研究人員通過添加多傳感器信息并開發(fā)組合里程計(jì)來增強(qiáng)SLAM系統(tǒng)的感知能力,最為常見的是視覺/慣性組合里程計(jì),其中視覺慣性導(dǎo)航系統(tǒng)(Visual-Inertial Navigation System,VINS)[4]是典型的視覺/慣性組合里程計(jì)。VINS采用預(yù)積分的方式處理慣性測量單元(Inertial Measurement Unit,IMU)的測量值,減小位姿更新的計(jì)算成本;同時(shí)采用非線性優(yōu)化的方法耦合視覺與IMU信息求解相機(jī)位姿的過程,隨后使用圖優(yōu)化算法結(jié)合閉環(huán)節(jié)點(diǎn)的位姿測量值來校正全局的位姿。VINS適用于不同精度的相機(jī)/IMU組合系統(tǒng),對于多變的環(huán)境具有較好的魯棒性,能集成于多種移動平臺。

        基于幾何的視覺/慣性組合里程計(jì)根據(jù)成熟的多視圖幾何原理進(jìn)行開發(fā),在多種場景中都有較為穩(wěn)定的性能;然而它需要較為理想的運(yùn)行環(huán)境以及精確的參數(shù)設(shè)定,還需要標(biāo)定和校準(zhǔn)多傳感器之間的位置關(guān)系與時(shí)間戳誤差,這極大地提升了算法開發(fā)的成本和調(diào)試周期。同時(shí)視場中的遮擋以及IMU測量值的噪聲會降低組合里程計(jì)的性能,基于幾何的視覺/慣性組合里程計(jì)可通過濾波或者非線性優(yōu)化的方式減少噪聲對算法運(yùn)行的干擾,或者預(yù)先對噪聲進(jìn)行建模,然后在算法運(yùn)行的過程中排除噪聲的影響。

        鑒于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合以及高層特征表達(dá)能力,已有研究人員嘗試使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)重構(gòu)視覺里程計(jì)。文獻(xiàn)[5]提出了DeepVO算法,使用光流提取網(wǎng)絡(luò)(FlowNet[6])搭建視覺特征提取器,以此來取代傳統(tǒng)視覺里程計(jì)中的特征點(diǎn)/光流提取算法。光流提取網(wǎng)絡(luò)通過多層卷積層解析相鄰幀圖像中的高層特征,高層特征不易受到光照條件的干擾,因此具有一定的抗噪能力;同時(shí)使用長短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM[7])模擬傳統(tǒng)視覺里程計(jì)的非線性優(yōu)化模塊,進(jìn)一步提高了短時(shí)間內(nèi)的位姿估計(jì)精度。使用全連接層構(gòu)建位姿回歸器,綜合相鄰幀圖像的高層特征并投影為相對位姿估計(jì)值。通過長時(shí)間的訓(xùn)練,使得網(wǎng)絡(luò)逐漸擬合圖像與相機(jī)位姿之間的非線性關(guān)系。

        文獻(xiàn)[8]使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)重構(gòu)了視覺/慣性組合里程計(jì),采用FlowNet-Corr[6]作為視覺特征提取器,為前后兩幀圖像分別設(shè)計(jì)卷積層來提取高層特征;同時(shí)使用雙層LSTM搭建了慣導(dǎo)信息特征提取器,將慣導(dǎo)信息特征提取器最后時(shí)刻的輸出作為慣導(dǎo)信息的高層特征,特征的維度與LSTM的隱藏節(jié)點(diǎn)數(shù)一致。單獨(dú)設(shè)計(jì)一個SE(3)網(wǎng)絡(luò)層將視覺/慣導(dǎo)信息組合特征投影至位姿標(biāo)簽空間,隨后結(jié)合位姿標(biāo)簽值構(gòu)建誤差函數(shù)進(jìn)行訓(xùn)練。

        上述視覺/慣性組合里程計(jì)算法都無顯式的抗噪模塊,對噪聲的適應(yīng)能力較為有限。為了進(jìn)一步增強(qiáng)基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)的抗噪性能,文獻(xiàn)[9]提出了一種基于注意力機(jī)制的視覺/慣性組合里程計(jì)網(wǎng)絡(luò),在里程計(jì)網(wǎng)絡(luò)中引入注意力模型,過濾融合特征中的噪聲,從而進(jìn)一步提高網(wǎng)絡(luò)的性能。

        綜上所述,現(xiàn)階段基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)算法都使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成里程計(jì)的全部模塊:特征提取、特征匹配、位姿求解以及短時(shí)間的位姿優(yōu)化。但同時(shí)也缺少閉環(huán)優(yōu)化的環(huán)節(jié),隨著時(shí)間的推移,位姿估計(jì)值誤差會逐漸積累。

        本文參考文獻(xiàn)[9],設(shè)計(jì)了一種基于注意力模型的視覺/慣性組合里程計(jì)算法,針對視覺和慣導(dǎo)信息中可能存在的噪聲,本文引入了兩種注意力模型。針對里程計(jì)誤差隨時(shí)間積累的問題,本文參考傳統(tǒng)SLAM系統(tǒng)的后端算法,引入閉環(huán)優(yōu)化的環(huán)節(jié),使用閉環(huán)節(jié)點(diǎn)的相對位姿測量值校正全局位姿。

        1 基于視覺/慣導(dǎo)信息的特征提取器結(jié)構(gòu)設(shè)計(jì)

        使用深度學(xué)習(xí)重構(gòu)視覺/慣性組合里程計(jì)可視為隱層特征投影的問題,針對不同種類的數(shù)據(jù)需設(shè)計(jì)不同結(jié)構(gòu)的特征提取器來提取隱層特征,并通過前向傳播將隱層特征投影至標(biāo)簽空間。本文將光流估計(jì)網(wǎng)絡(luò)(FlowNetSimple[6])的卷積層部分作為視覺特征提取器,F(xiàn)lowNetSimple網(wǎng)絡(luò)能同時(shí)讀取相鄰兩幀的圖像,因此無需為每幀圖像單獨(dú)設(shè)計(jì)網(wǎng)絡(luò),這減輕了網(wǎng)絡(luò)的計(jì)算成本。鑒于循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度爆炸的問題,本文使用LSTM搭建慣導(dǎo)信息特征提取器。

        1.1 視覺特征提取器結(jié)構(gòu)設(shè)計(jì)

        FlowNetSimple卷積層的結(jié)構(gòu)如表1所示,在卷積核參數(shù)中,前2個維度表示卷積核在圖像橫縱兩軸的尺寸,第3個參數(shù)表示輸入通道數(shù),最后1個參數(shù)表示輸出通道數(shù)。圖像在輸入之前,將尺寸統(tǒng)一調(diào)整為(512,256)。

        表1 視覺特征提取器結(jié)構(gòu)表Tab.1 Structure of visual feature extractor

        本文在FlowNetSimple最后一層卷積層Conv6_1后加一個輸出通道數(shù)為256的全連接層Fc1,將相鄰兩幀圖像的隱層特征壓縮為(1,1,256)維度的張量。通過在每一層卷積層之后加上LeakyReLU函數(shù)來增強(qiáng)神經(jīng)網(wǎng)絡(luò)的非線性擬合能力。

        1.2 慣導(dǎo)信息特征提取器結(jié)構(gòu)設(shè)計(jì)

        圖1 慣導(dǎo)信息特征提取器結(jié)構(gòu)示意圖Fig.1 Scheme of bidirectional LSTM

        由于本文將前后向的隱層特征序列進(jìn)行聯(lián)結(jié),因此LSTM網(wǎng)絡(luò)最終輸出256維度的隱層特征。為了進(jìn)一步提高網(wǎng)絡(luò)的泛化能力,減輕過擬合的現(xiàn)象,本文將LSTM網(wǎng)絡(luò)的dropout[10]參數(shù)設(shè)置為0.25。

        2 基于注意力機(jī)制的掩膜網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

        在傳感器采集的原始數(shù)據(jù)中,可能存在一些由外界環(huán)境和器件本身所造成的噪聲,例如圖像中光照強(qiáng)度低或者紋理缺失的部分可能會減弱視覺特征提取器的性能,低精度IMU輸出的慣導(dǎo)信息也存在一定量的白噪聲和零偏。這些噪聲的隱層特征若不經(jīng)處理會降低整體網(wǎng)絡(luò)的性能,因此本文設(shè)計(jì)了兩種注意力網(wǎng)絡(luò):加權(quán)組合注意力網(wǎng)絡(luò)以及開關(guān)組合注意力網(wǎng)絡(luò)來過濾噪聲的隱層特征。兩種注意力網(wǎng)絡(luò)的輸出與視覺/慣導(dǎo)信息組合特征同維度的權(quán)重掩膜,掩膜與組合特征按元素相乘,通過調(diào)節(jié)掩膜的數(shù)值從而改變組合特征中每一個元素占總體的比重。其中加權(quán)組合注意力網(wǎng)絡(luò)的掩膜數(shù)值分布在(0,1)區(qū)間,開關(guān)組合注意力網(wǎng)絡(luò)則輸出只有0和1的二值掩膜。

        2.1 加權(quán)組合注意力網(wǎng)絡(luò)

        在加權(quán)組合注意力網(wǎng)絡(luò)輸出的權(quán)重掩膜中,較大權(quán)重值對應(yīng)的特征受噪聲影響較小,而較小權(quán)重值對應(yīng)的是受噪聲影響較大的特征。通過長時(shí)間的訓(xùn)練使得權(quán)重掩膜的數(shù)據(jù)分布更符合組合特征中的噪聲分布。

        經(jīng)過全連接層壓縮的視覺隱層特征αV和慣導(dǎo)信息隱層特征αI的維度為(1,1,256)。本文首先將兩種特征在通道上結(jié)合成(1,1,512)維度的組合特征{αI|αV};隨后將組合特征代入輸出通道數(shù)為512的全連接層fall;輸出的特征再使用sigmoid激活函數(shù)σ進(jìn)行非線性化處理,得到權(quán)重掩膜Msoft;將掩膜與組合特征按元素相乘,得到經(jīng)篩選的組合特征αout。上述過程如式(1)所示,網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。

        圖2 加權(quán)組合注意力模型示意圖Fig.2 Scheme of soft attention model

        Msoft=σ{fall{αI|αV}}
        αout=Msoft⊙{αI|αV}

        (1)

        2.2 開關(guān)組合注意力網(wǎng)絡(luò)

        開關(guān)組合注意力網(wǎng)絡(luò)將組合特征的最大元素視為無噪聲污染的特征,并將對應(yīng)的掩膜元素設(shè)置為1,其余設(shè)置為0,本文使用重參數(shù)法來模擬求組合特征最大值的過程[11]。

        首先,構(gòu)建輸出通道數(shù)與組合特征維度相同的全連接層fall,將組合特征輸入到fall得到張量ν,ν中的每一個元素νi代表對應(yīng)位置的組合特征{αI|αV}i是無噪聲污染的概率;隨后將νi與Gumbel[11]隨機(jī)變量κi相加,并輸入到softmax[10]函數(shù)中,得到的Mhard近似于二值掩膜。上述過程如式(2)所示

        ν=fall{αI|αV}
        κi=-log(-log(Ui)),Ui~Uniform(0,1)

        αout=Mhard⊙{αI|αV}

        (2)

        其中,n代表組合特征張量的長度,μ是退火系數(shù),調(diào)整Mhard與二值掩膜的相似程度,當(dāng)μ的值較小時(shí)Mhard近似于二值掩膜,將Mhard與組合特征{αI|αV}按元素點(diǎn)相乘得到經(jīng)篩選的組合特征αout。網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

        圖3 開關(guān)組合注意力模型示意圖Fig.3 Scheme of hard attention model

        3 窗口優(yōu)化網(wǎng)絡(luò)及閉環(huán)優(yōu)化

        3.1 窗口優(yōu)化網(wǎng)絡(luò)

        為了對短時(shí)間內(nèi)的位姿估計(jì)值進(jìn)行優(yōu)化,本文使用LSTM搭建窗口優(yōu)化網(wǎng)絡(luò),LSTM的層數(shù)為2,隱藏節(jié)點(diǎn)為512,dropout參數(shù)為0.25,窗口優(yōu)化網(wǎng)絡(luò)示意圖如圖4所示。將相鄰多幀圖像與IMU信息的組合特征輸入到LSTM中,并輸出經(jīng)優(yōu)化的組合特征,隨后使用2個全連接層分別構(gòu)成姿態(tài)回歸器以及位置回歸器,分別輸出歐拉角形式的姿態(tài)增量Δθi,i+1和平移矢量Δρi,i+1。最后,將二者在通道上進(jìn)行聯(lián)結(jié),構(gòu)成6維度的相對位姿估計(jì)值張量。

        圖4 窗口優(yōu)化網(wǎng)絡(luò)示意圖Fig.4 Scheme of windows optimization network

        3.2 誤差函數(shù)

        (3)

        由于姿態(tài)與平移量的數(shù)值之間存在數(shù)量級的差異,因此需設(shè)置平衡系數(shù)τ,本文將平衡系數(shù)設(shè)置為100。

        3.3 閉環(huán)優(yōu)化

        (4)

        其中,ε代表相鄰兩幀以及閉環(huán)節(jié)點(diǎn)的索引號。

        本文使用列文伯格-馬爾夸特算法[15]對L進(jìn)行優(yōu)化,使用g2o工具包[16]實(shí)現(xiàn)算法。

        4 實(shí)驗(yàn)結(jié)果與分析

        本節(jié)通過3組實(shí)驗(yàn)驗(yàn)證了本文設(shè)計(jì)的基于注意力模型的視覺/慣性組合里程計(jì)網(wǎng)絡(luò)的有效性,第1組實(shí)驗(yàn)致力于比較不同注意力模型對里程計(jì)網(wǎng)絡(luò)性能的影響,第2組實(shí)驗(yàn)致力于對比本文設(shè)計(jì)的里程計(jì)網(wǎng)絡(luò)與主流視覺/慣性組合里程計(jì)算法VINS的性能,第3組實(shí)驗(yàn)驗(yàn)證了閉環(huán)優(yōu)化算法對里程計(jì)網(wǎng)絡(luò)性能的影響。

        4.1 實(shí)驗(yàn)條件配置

        本文使用KITTI官網(wǎng)提供的原始數(shù)據(jù)進(jìn)行實(shí)驗(yàn),訓(xùn)練集為00,01,02,06,08,09,驗(yàn)證集為04和05,測試集為07和10。按照文獻(xiàn)[17]的提示制備實(shí)驗(yàn)數(shù)據(jù)的標(biāo)簽值,隨后將網(wǎng)絡(luò)在配備4塊Titan XP的工作站上進(jìn)行訓(xùn)練,總共耗費(fèi)13h。使用pytorch框架[18]開發(fā)本文設(shè)計(jì)的幾種里程計(jì)網(wǎng)絡(luò)。所有網(wǎng)絡(luò)都使用動量為0.9的Adam梯度下降法[19]進(jìn)行訓(xùn)練,學(xué)習(xí)率固定為0.0001,批處理數(shù)為48,訓(xùn)練輪數(shù)為100epoch。

        4.2 不同注意力網(wǎng)絡(luò)性能對比實(shí)驗(yàn)

        本節(jié)測試的網(wǎng)絡(luò)分別為基于深度學(xué)習(xí)的視覺里程計(jì)VO、基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)VIO、基于加權(quán)組合注意力模型的視覺/慣性組合里程計(jì)VIO-soft,以及基于開關(guān)組合注意力模型的視覺/慣性組合里程計(jì)VIO-hard。其中VIO直接將視覺和慣導(dǎo)信息組合特征輸入到窗口優(yōu)化網(wǎng)絡(luò),VO相較于VIO缺少慣導(dǎo)信息特征提取器,并且VO的視覺特征提取器的全連接層Fc1的輸出通道數(shù)為512,其余的網(wǎng)絡(luò)結(jié)構(gòu)與VIO相同。不同網(wǎng)絡(luò)的軌跡對比圖如圖5所示,其中g(shù)t表示位姿標(biāo)簽。

        (a)07序列

        (b)10序列圖5 不同注意力模型算法軌跡對比圖Fig.5 Comparison of different attention models traces

        本節(jié)使用KITTI官方提供的評價(jià)指標(biāo)對不同里程計(jì)的性能進(jìn)行評估,評估前不對軌跡進(jìn)行對齊操作。在不同長度序列(100m,200m,…800m)上計(jì)算平移矢量和旋轉(zhuǎn)量的均方誤差,計(jì)算其均值并以此作為里程計(jì)定位與定姿的精度指標(biāo),誤差的具體數(shù)值如表2所示。其中平移矢量誤差trel的單位是(%),旋轉(zhuǎn)量誤差rrel的單位是((°)/100m),加粗字段表示同組內(nèi)的最小值。

        表2 不同注意力機(jī)制在07,10序列的誤差匯總Tab.2 Error summary of different attention models in 07 and 10 sequences

        從表2的均值項(xiàng)可以看出,添加IMU信息的VIO網(wǎng)絡(luò)的定姿性能相對于VO有所提升,然而定位性能卻有所下滑。值得注意的是,添加開關(guān)組合注意力機(jī)制的里程計(jì)網(wǎng)絡(luò)VIO-hard能有效提高里程計(jì)網(wǎng)絡(luò)的定位與定姿性能,而且它的定姿精度在四種網(wǎng)絡(luò)中最高;同時(shí)添加加權(quán)組合注意力機(jī)制的VIO-soft也能在一定程度上提升定位精度,然而定姿精度卻有所下滑。本文分析,原始IMU信息中可能存在一定量的噪聲(時(shí)間戳誤差、高斯白噪聲與零偏等),若不抑制噪聲的隱層特征則會導(dǎo)致整體網(wǎng)絡(luò)性能的下降。注意力機(jī)制的網(wǎng)絡(luò)通過長時(shí)間的訓(xùn)練找到輸入數(shù)據(jù)的噪聲特征,并生成同維度的掩膜對其進(jìn)行抑制,從而提升網(wǎng)絡(luò)性能。

        4.3 與VINS算法性能對比實(shí)驗(yàn)

        從4.2節(jié)實(shí)驗(yàn)可以得出,在幾種基于深度學(xué)習(xí)的里程計(jì)算法中,VIO-hard能有效提高里程計(jì)網(wǎng)絡(luò)的定姿和定位精度,因此將其與基于多視圖幾何的VINS算法進(jìn)行對比,評價(jià)的準(zhǔn)則與4.2節(jié)實(shí)驗(yàn)保持一致。鑒于VIO-hard網(wǎng)絡(luò)無閉環(huán)優(yōu)化的模塊,因此使用無閉環(huán)的VINS進(jìn)行實(shí)驗(yàn),VINS采用官方提供的程序[20]進(jìn)行實(shí)現(xiàn),算法的具體誤差如表3所示,軌跡對比如圖6所示。

        表3 VIO-hard與VINS的誤差匯總Tab.3 Error summary of VIO-hard and VINS

        (a)07序列

        (b)10序列圖6 VIO-hard與VINS軌跡對比圖Fig.6 Comparison of VIO-hard and VINS traces

        從軌跡對比圖中可以看出,VINS的軌跡較為偏離軌跡標(biāo)簽,這可能是VINS在初始化階段的性能不太穩(wěn)定導(dǎo)致其在序列前段的位姿估計(jì)精度較低,從而加大了整體軌跡的誤差。從誤差匯總表和軌跡對比圖可以看出,VIO-hard在整個序列范圍內(nèi)性能較為穩(wěn)定,具有更好的定姿定位精度。

        4.4 添加閉環(huán)優(yōu)化算法的性能對比實(shí)驗(yàn)

        本節(jié)致力于驗(yàn)證添加閉環(huán)優(yōu)化算法對基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)性能的影響。以VIO-hard算法為例,添加閉環(huán)優(yōu)化的VIO-hard算法在后文簡稱為VIO-hard-loop,其中不同算法的軌跡對比如圖7所示,誤差匯總?cè)绫?所示。

        (a)07序列

        (b)10序列圖7 添加閉環(huán)優(yōu)化算法軌跡對比圖Fig.7 Comparison of loop closure and none-loop closure trace

        表4 VIO-hard和VIO-hard-loop的誤差匯總Tab.4 Error of VIO-hard and VIO-hard-loop

        從圖7(a)中可以看出,在07序列上VIO-hard-loop更貼近位姿標(biāo)簽,從誤差對比表中也可以看出,VIO-hard-loop性能較VIO-hard存在明顯提升。分析原因,由于07序列存在一個明顯的長閉環(huán)節(jié)點(diǎn),因此全局位姿的校正效果較為明顯。

        從表4可以看出,添加閉環(huán)優(yōu)化算法能夠提高VIO-hard在10序列的定姿精度,然而定位精度卻略有下滑。分析原因,短閉環(huán)節(jié)點(diǎn)的時(shí)間跨度較短,位姿估計(jì)值的誤差積累量較小,與相對位姿估計(jì)網(wǎng)絡(luò)posenet估計(jì)的節(jié)點(diǎn)相對位姿的差值也較小,導(dǎo)致全局位姿校正的效果并不明顯;并且部分短閉環(huán)節(jié)點(diǎn)的相對位姿估計(jì)值可能存在一定的誤差,從而降低了閉環(huán)優(yōu)化的定位精度。

        5 結(jié)論

        針對已有基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)網(wǎng)絡(luò)缺乏顯式的降噪模塊和閉環(huán)優(yōu)化環(huán)節(jié)的現(xiàn)狀,本文設(shè)計(jì)了一種基于注意力模型的視覺/慣性組合里程計(jì)網(wǎng)絡(luò)。算法分析與實(shí)驗(yàn)驗(yàn)證表明:

        1)直接添加原始的IMU數(shù)據(jù),并且在網(wǎng)絡(luò)中不對IMU數(shù)據(jù)的隱層特征進(jìn)行處理,可能并不會提高深度學(xué)習(xí)視覺里程計(jì)的性能,這可能與IMU數(shù)據(jù)中存在的一定量的噪聲有關(guān)。

        2)開關(guān)組合注意力模型能有效提高基于深度學(xué)習(xí)的視覺/慣性組合里程計(jì)網(wǎng)絡(luò)的定姿定位精度。加權(quán)組合注意力模型在一定程度上能夠提高里程計(jì)網(wǎng)絡(luò)的定位精度,但定姿精度卻有所下滑。

        3)添加開關(guān)組合注意力模型的VIO-hard網(wǎng)絡(luò)相比于無閉環(huán)優(yōu)化的VINS算法具有更穩(wěn)定的性能,這表明基于深度學(xué)習(xí)的里程計(jì)算法可以達(dá)到與基于多視圖幾何的里程計(jì)算法相當(dāng)?shù)男阅堋?/p>

        4)添加閉環(huán)優(yōu)化算法能夠顯著提高里程計(jì)網(wǎng)絡(luò)在長閉環(huán)序列中的性能,然而在短閉環(huán)序列中的效果并不理想,這表明閉環(huán)優(yōu)化算法的效果受制于閉環(huán)節(jié)點(diǎn)相對位姿估計(jì)的精度。

        猜你喜歡
        里程計(jì)掩膜位姿
        室內(nèi)退化場景下UWB雙基站輔助LiDAR里程計(jì)的定位方法
        利用掩膜和單應(yīng)矩陣提高LK光流追蹤效果
        一種結(jié)合圖像分割掩膜邊緣優(yōu)化的B-PointRend網(wǎng)絡(luò)方法
        一種單目相機(jī)/三軸陀螺儀/里程計(jì)緊組合導(dǎo)航算法
        基于模板特征點(diǎn)提取的立體視覺里程計(jì)實(shí)現(xiàn)方法
        光纖激光掩膜微細(xì)電解復(fù)合加工裝置研發(fā)
        基于共面直線迭代加權(quán)最小二乘的相機(jī)位姿估計(jì)
        基于CAD模型的單目六自由度位姿測量
        多層陰影掩膜結(jié)構(gòu)及其制造和使用方法
        科技資訊(2016年21期)2016-05-30 18:49:07
        大角度斜置激光慣組與里程計(jì)組合導(dǎo)航方法
        一区二区三区不卡免费av| 国产精品久久久久影院| 少妇内射高潮福利炮| 亚洲电影久久久久久久9999| 亚洲精品国产av成人网| 亚洲成在人线视av| 国产福利一区二区三区在线观看| 欧美日韩国产在线观看免费| 男女啪啪免费视频网址| 99精品久久99久久久久| 四川老熟妇乱子xx性bbw| 亚洲精品理论电影在线观看| 日本不卡一区二区三区在线观看| 国产成人亚洲精品无码青| 亚洲欧洲无码一区二区三区| 精品无人区无码乱码大片国产| 国产丝袜美腿一区二区三区| 中国精品18videosex性中国| 国产96在线 | 亚洲| 人妖熟女少妇人妖少妇| 国产三级不卡一区不卡二区在线| 久久精品国产亚洲av无码娇色| 国产精品6| 国产免费人成网站在线播放| 日本女优在线一区二区三区| 亚洲精品一区久久久久久| 亚洲AV无码久久精品成人| 亚洲天堂一区二区三区| 无码小电影在线观看网站免费| 久久久久99精品国产片| av网站影片在线观看| 国产日韩厂亚洲字幕中文| 久久综合国产乱子伦精品免费| 亚洲精品中文字幕不卡在线| aa日韩免费精品视频一| 狼狼综合久久久久综合网| 亚洲精品无码久久毛片| 一区二区三区国产偷拍 | 色老头在线一区二区三区| 无码高潮久久一级一级喷水| 国产三级精品三级在线专区|