研究文章导航

用于视觉地形相对导航的季节性不变性深度变换

看到所有隐藏作者和附属机构

科学机器人 2021年6月23日:
卷。 6,问题55,EABF3320
DOI:10.1126 / scirobotics.abf3320

您目前正在查看摘要。

查看全文

登录以查看完整文本

通过您的机构登录

通过您的机构登录

抽象的

视觉地形 - 相对导航(VTRN)是基于登记从机器人车辆抵抗地理学目标图像的源图像的本地化方法。随着地球和其他行星的高分辨率图像数据库,vtrn即使在没有外部定位信号的情况下也可以为空气和空间机器人提供准确,无瓦尔机器人。然而,尽管它具有高精度的潜力,但Vtrn仍然非常脆弱,以常见和可预测的季节效果,例如照明,植被变化和雪覆盖。工程登记算法成熟,具有可提供的几何优势,但不能适应由季节性效果引起的内容变化,并且具有差的匹配技能。基于深度学习的方法可以适应图像内容的变化,但产生不可解释的不确定性或需要繁琐的人类注释的不透明位置估计。在这项工作中,我们在图像转换架构内有针对性地使用深度学习的这些问题,它将季节性图像转换为稳定的不变域,可以通过传统算法而无需修改。我们的转变保留了遗留方法的几何结构和不确定性估计,并在极端季节变化下表现出优越的性能,同时也易于培训和高度普遍的。我们表明,在用所提出的架构稳定时,经典注册方法对于机器人视觉导航,并且能够始终如一地预测可靠的图像。在具有挑战性和现实的视觉导航任务中几乎消除了总体不匹配,也包括地形和透视效果。

查看全文

保持联系到科学机器人