主要內(nèi)容： 論文研究了機器人和自動駕駛車輛應(yīng)用中的基于神經(jīng)網(wǎng)絡(luò)的相機重定位問題，其解決方案是一種基于CNN的算法直接從單個圖像預(yù)測相機姿態(tài)（3D平移和3D旋轉(zhuǎn)），同時網(wǎng)絡(luò)提供姿勢的不確定性估計，姿態(tài)和不確定性與單個損失函數(shù)一起訓(xùn)練，并在實際測試時與EKF融合，為此提出了一種新的全卷積架構(gòu)，名為CoordiNet，其中嵌入了一些場景幾何結(jié)構(gòu)。



Contributions：

提出了一種聯(lián)合訓(xùn)練姿態(tài)估計和不確定性的方法，其具有可靠的不確定性估計和改進的訓(xùn)練穩(wěn)定性。

提出一種新的全卷積架構(gòu)，它集成了幾何線索，并在所有公共基準上以較大的優(yōu)勢優(yōu)于單目最先進的方法。

在幾個大規(guī)模數(shù)據(jù)集上對幾種深度姿態(tài)回歸器進行了廣泛的評估，表明論文提出的CoordiNet可以實時（在RTX2080嵌入式GPU上實現(xiàn)ROS的18Hz）用于車輛定位。

論文表明在簡單的EKF中結(jié)合可靠的不確定性的姿態(tài)預(yù)測顯示出了平滑的軌跡并去除了異常值。

網(wǎng)絡(luò)架構(gòu)：



用Coord卷積代替標準2D卷積，Coord卷積是Rosanne Liu等人在NIPS 2018年的論文An intriguing failing of convolutional neural networks and the coordconv solution中提出，Coord卷積在應(yīng)用卷積之前將包含硬編碼像素坐標的2個附加通道連接到輸入張量，如下圖所示：



使用置信加權(quán)平均池（CWAP）而不是全局平均池（GAP），這是受到CWAP在其他應(yīng)用中成功的啟發(fā)，為了將特征圖轉(zhuǎn)換為單個標量，GAP只需計算特征圖的平均值，CWAP使用附加信道作為置信圖來計算加權(quán)平均值，為每個空間位置提供權(quán)重，這些權(quán)重是根據(jù)先前的層激活來預(yù)測的，因此可以將此計算與低成本的自注意力機制進行比較。

置信圖的激活掩碼示例如下圖所示。觀察到在劍橋地標的小場景中，無論攝像機的姿勢如何，池化總是突出顯示同一個物體；在較大的場景中，即所有場景中都沒有可見的公共對象，在這種情況下池化會屏蔽出現(xiàn)動態(tài)對象的區(qū)域。



模型的整個架構(gòu)如圖2所示，使用兩個解碼器頭從圖像編碼器獲得的潛在表示中預(yù)測姿態(tài)和不確定性，架構(gòu)是全卷積的，即解碼器的參數(shù)數(shù)量不取決于輸入圖像的大小，與使用完全連接層來回歸最終姿態(tài)的標準姿態(tài)回歸器相比，論文的解碼器包含的參數(shù)少了一個數(shù)量級。

姿態(tài)和異方差不確定性的聯(lián)合學(xué)習(xí)：

結(jié)合不確定性估計的定位： 將回歸姿態(tài)與學(xué)習(xí)到的不確定性融合在一起，以過濾出誤差較大部分并獲得平滑且時間一致的軌跡。使用EKF，通過僅向濾波器提供由網(wǎng)絡(luò)給出的絕對姿態(tài)測量來完成積分，將簡化的對角協(xié)方差矩陣∑附加到每個測量值，定義如下：

不確定性校準：在評估其方法時觀察到學(xué)習(xí)的不確定性往往低估了實際誤差，這是由過擬合造成的，在訓(xùn)練過程結(jié)束時，模型在訓(xùn)練圖像上表現(xiàn)得非常好，不確定性層學(xué)習(xí)到了不代表實際誤差的誤差分布，為了減輕這種影響提出了一個兩步訓(xùn)練程序：將可用的訓(xùn)練數(shù)據(jù)分成訓(xùn)練集和驗證/校準集。首先使用訓(xùn)練集訓(xùn)練CoordiNet，然后在凍結(jié)所有其他層的同時微調(diào)校準集上的不確定性層，這使得能夠校準代表測試條件的示例的不確定性。

實驗： 在多個場景評估CoordiNet。 首先比較了公共數(shù)據(jù)集上的相關(guān)方法；還研究CoordiNet的性能如何隨著數(shù)據(jù)集的大小而變化，這些數(shù)據(jù)集比公共數(shù)據(jù)集大幾個數(shù)量級；還證明了一旦CoordiNet與EKF融合，它就可以被認為是在實際任務(wù)中可靠定位的一個很好的選擇。 在Oxford Robotcar數(shù)據(jù)集上實驗結(jié)果：



Cambrige Landmarks數(shù)據(jù)集上實驗結(jié)果：



接下來探討CoordiNet在訓(xùn)練集的數(shù)據(jù)量與公共基準相比高出一個數(shù)量級的情況下，其表現(xiàn)如何，使用dashcam相機在巴黎和上海地區(qū)收集了數(shù)據(jù)





CoordiNet在大面積上優(yōu)于先前的SOTA姿態(tài)回歸器一個數(shù)量級，并觀察到使用更大的訓(xùn)練集后在測試數(shù)據(jù)上達到亞米精度。將Oxford訓(xùn)練集從2個序列擴大到15個序列，可以在同一測試序列上將平均誤差從9.56m降低到1.94m，中值誤差從3.55m降低到1.25m。得出結(jié)論，通過收集大型圖像數(shù)據(jù)集并使用CoordiNet作為姿態(tài)回歸器，能夠為選定的實際應(yīng)用實現(xiàn)足夠可靠的定位精度。 接下來研究了將姿態(tài)和不確定性被融合到EKF中的實驗：





加上EKF后最終軌跡變得更平滑，運行中的最大誤差也減少了。 通過剔除異常值，與原始姿態(tài)相比，EKF減少了大部分時間的平均誤差。結(jié)果還表明為了獲得準確度和平滑度之間的最佳權(quán)衡，估計好的協(xié)方差值至關(guān)重要：與固定協(xié)方差值和基線版本相比，具有校準協(xié)方差的Coordinet+EKF在本實驗中表現(xiàn)最好。

消融研究：



總結(jié)： 提出了CoordiNet，一種新的深度神經(jīng)網(wǎng)絡(luò)方法，結(jié)合不確定性估計將直接相機姿態(tài)回歸模型的精度進一步提高。此外由于不確定性量化和大型訓(xùn)練集，證明了其方法可以集成在實時車輛定位系統(tǒng)中以便在大型城市環(huán)境中進行準確的姿態(tài)估計。

審核編輯：劉清