WGANVO: odometría visual monocular basada en redes adversarias generativas

IF 1.1 4区计算机科学 Q4 AUTOMATION & CONTROL SYSTEMS

Revista Iberoamericana De Automatica E Informatica Industrial Pub Date : 2021-12-28 DOI:10.4995/riai.2022.16113

Javier Alejandro Cremona, Lucas C. Uzal, Taihú Pire

{"title":"WGANVO: odometría visual monocular basada en redes adversarias generativas","authors":"Javier Alejandro Cremona, Lucas C. Uzal, Taihú Pire","doi":"10.4995/riai.2022.16113","DOIUrl":null,"url":null,"abstract":"Los sistemas tradicionales de odometría visual (VO), directos o basados en características visuales, son susceptibles de cometer errores de correspondencia entre imágenes. Además, las configuraciones monoculares sólo son capaces de estimar la localización sujeto a un factor de escala, lo que hace imposible su uso inmediato en aplicaciones de robótica o realidad virtual. Recientemente, varios problemas de Visión por Computadora han sido abordados con éxito por algoritmos de Aprendizaje Profundo. En este trabajo presentamos un sistema de odometría visual monocular basado en Aprendizaje Profundo llamado WGANVO. Específicamente, entrenamos una red neuronal basada en GAN para regresionar una estimación de movimiento. El modelo resultante recibe un par de imágenes y estima el movimiento relativo entre ellas. Entrenamos la red neuronal utilizando un enfoque semi-supervisado. A diferencia de los sistemas monoculares tradicionales basados en geometría, nuestro método basado en Deep Learning es capaz de estimar la escala absoluta de la escena sin información extra ni conocimiento previo. Evaluamos WGANVO en el conocido conjunto de datos KITTI. Demostramos que nuestro sistema funciona en tiempo real y la precisión obtenida alienta a seguir desarrollando sistemas de localización basados en Aprendizaje Profundo.","PeriodicalId":54463,"journal":{"name":"Revista Iberoamericana De Automatica E Informatica Industrial","volume":"8 1","pages":""},"PeriodicalIF":1.1000,"publicationDate":"2021-12-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista Iberoamericana De Automatica E Informatica Industrial","FirstCategoryId":"94","ListUrlMain":"https://doi.org/10.4995/riai.2022.16113","RegionNum":4,"RegionCategory":"计算机科学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"AUTOMATION & CONTROL SYSTEMS","Score":null,"Total":0}

引用次数: 0

Abstract

Los sistemas tradicionales de odometría visual (VO), directos o basados en características visuales, son susceptibles de cometer errores de correspondencia entre imágenes. Además, las configuraciones monoculares sólo son capaces de estimar la localización sujeto a un factor de escala, lo que hace imposible su uso inmediato en aplicaciones de robótica o realidad virtual. Recientemente, varios problemas de Visión por Computadora han sido abordados con éxito por algoritmos de Aprendizaje Profundo. En este trabajo presentamos un sistema de odometría visual monocular basado en Aprendizaje Profundo llamado WGANVO. Específicamente, entrenamos una red neuronal basada en GAN para regresionar una estimación de movimiento. El modelo resultante recibe un par de imágenes y estima el movimiento relativo entre ellas. Entrenamos la red neuronal utilizando un enfoque semi-supervisado. A diferencia de los sistemas monoculares tradicionales basados en geometría, nuestro método basado en Deep Learning es capaz de estimar la escala absoluta de la escena sin información extra ni conocimiento previo. Evaluamos WGANVO en el conocido conjunto de datos KITTI. Demostramos que nuestro sistema funciona en tiempo real y la precisión obtenida alienta a seguir desarrollando sistemas de localización basados en Aprendizaje Profundo.

查看原文本刊更多论文

传统的视觉里程测量系统，无论是直接的还是基于视觉特征的，都容易出现图像之间的对应错误。此外，单目配置只能根据比例因素估计位置，这使得它们不可能立即用于机器人或虚拟现实应用。近年来，深度学习算法成功地解决了几个计算机视觉问题。在这项工作中，我们提出了一种基于深度学习的单眼视觉里程测量系统，称为WGANVO。具体来说，我们训练了一个基于GAN的神经网络来回归运动估计。由此产生的模型接收一对图像，并估计它们之间的相对运动。我们用半监督的方法训练神经网络。与传统的基于几何的单眼系统不同，我们基于深度学习的方法能够在不需要额外信息或先验知识的情况下估计场景的绝对比例。我们在已知的KITTI数据集上计算WGANVO。我们证明了我们的系统是实时工作的，获得的精度鼓励了基于深度学习的定位系统的进一步开发。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Revista Iberoamericana De Automatica E Informatica Industrial 工程技术-机器人学

CiteScore

3.00

自引率

13.30%

发文量

审稿时长

>12 weeks

期刊介绍： La Revista Iberoamericana de Automática e Informática Industrial (RIAI) es el órgano de expresión del Comité Español de Automática (CEA), miembro de la Federación Internacional de Control Automático (IFAC). La revista se desarrolla en el marco de la comunidad iberoamericana, y en general, en los entornos en los que el español constituye el idioma básico y no excluyente de comunicación. RIAI engloba las siguientes temáticas: • Teoría de control y sistemas. • Ingeniería de control de procesos e instrumentación. • Técnicas de control avanzado. • Automatización y control de sistemas de producción. • Robótica y sistemas robotizados. • Arquitecturas de control y tecnología de computadores aplicada al control automático de sistemas. • Sistemas de tiempo real e informática industrial aplicados al control automático de sistemas. • Filtrado, estimación y análisis y tratamiento de señales e imágenes aplicados al control automático de sistemas. • Visión por computador aplicada al control automático de sistemas. • Modelado, identificación, simulación y optimización de sistemas. • Inteligencia computacional y técnicas de supervisión y detección de fallos aplicados al control automático de sistemas. • Historia de la automática. La automática en sistemas sociales, económicos y empresariales. • Cuestiones docentes y de formación en automática. • Control de sistemas en red y complejos a gran escala. • Control automático de procesos industriales, sistemas energéticos, mineros, ingeniería civil y edificios. • Control automático de sistemas de transporte y vehículos. • Control automático en bioingeniería, biología, agricultura, ecología y medicina. • Control automático de máquinas y motores y mecatrónica.