|
每天一分钟，带你读遍机器人顶级会议文章 来源：计算机视觉和机器人顶级会议 播音员：水蘸墨，赵嘉珩 汇总：王靖淇 编译：泡泡一分钟全体组员 欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权  摘要  2021年10月31日-2021年11月06日，泡泡一分钟共推送了6篇文章。其内容涉及到环境感知（1篇）、深度估计（1篇）、图像匹配（1篇）、状态估计（1篇）、轨迹预测（1篇）、视觉定位（1篇）。 环境感知 环境感知方面本周共推送1篇文章。 这篇文章提出了一种学习框架，该框架以任务感知方式利用预测模型学习到的信息来检测新场景。作者使用网络显著性为学习架构提供与决策最相关的输入区域知识，并学习显著性地图与预测输出之间的关联，以确定输入的新颖性。通过在真实驾驶数据集以及室内驾驶环境中的驾驶场景中的实验，证明了该方法的有效性。  深度估计 深度估计方面本周共推送1篇文章。 这篇文章为了应对3D传感器难以对透明物体进行准确深度估计这一挑战，提出了ClearGrasp—一种用于从单个RGB-D图像中估计透明物体的准确3D几何形状以进行机器人操作的深度学习方法。给定透明物体的单个RGB-D图像，ClearGrasp使用深度卷积网络来推断表面的法线、透明物体表面的掩膜和遮挡边界。然后使用这些输出来优化场景中所有透明表面的初始深度估计。  图像匹配 图像匹配方面本周共推送1篇文章。 在这篇文章中，作者提出一种新颖且高效，利用了区域共视传递性的图片匹配方法。文章运用了迭代匹配的策略，甚至在只有很少正确特征匹配的时候，也能够有效率地发现有重叠的图像。在无序图像数据集上的实验结果揭示了，提出的方法比最新的算法快了三倍并且得到的匹配结果对于鲁棒SfM是足够高质量的。  状态估计 状态估计方面本周共推送1篇文章。 这篇文章提出了一种用于恢复微飞行器的高度、平移速度和方向的响应式导航策略。其主要贡献基于在单一平面场景的假设下，将惯性测量单元(IMU)测量与单目反馈直接紧密的融合。采用迭代扩展卡尔曼滤波(IEKF)方案，状态预测使用IMU读数，而状态更新直接以光度反馈作为测量值。与基于特征的方法不同，新引入的光度差异在单个步骤中呈现出固有且鲁棒的数据关联过程。  轨迹预测 轨迹预测方面本周共推送1篇文章。 这篇文章指出，由于未来轨迹的非线性、多模态和固有的不确定性，预测人类长期动作是一项具有挑战性的任务。Agents的底层场景和过去的运动可以为预测其未来的运动提供有用的线索。然而，两种输入的异质性使得学习场景和过去轨迹的联合具有挑战性。为了应对这一挑战，该文提出了一种基于网格表示的模型来预测Agents的轨迹。  视觉定位 视觉定位方面本周共推送1篇文章。 在这篇文章中，作者提出了一种基于卷积神经网络（CNN）的方法，可用于跨越巨大外观变化的视觉定位，如灾前和灾后的情形。文中的方法致力于解决两个关键挑战：(1)为了降低传统CNN方法中基于场景纹理的偏差，模型通过对风格化图像进行训练来学习基于形状的表示；(2)为了让模型对布局的变化更加鲁棒，使用查询图像的估计主平面作为近似场景坐标。   如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。 欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。 有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！ 泡泡网站：www. 泡泡论坛：http:///bbs/  |
|
|
