完全自主移动机器人的现实部署取决于能够处理动态环境的强大的大满贯(同时本地化和映射)系统,其中对象在机器人的前面移动以及不断变化的环境,在此之后移动或更换对象。机器人已经绘制了现场。本文介绍了更换式SLAM,这是一种在动态和不断变化的环境中强大的视觉猛烈抨击的方法。这是通过使用与长期数据关联算法结合的贝叶斯过滤器来实现的。此外,它采用了一种有效的算法,用于基于对象检测的动态关键点过滤,该对象检测正确识别了不动态的边界框中的特征,从而阻止了可能导致轨道丢失的功能的耗竭。此外,开发了一个新的数据集,其中包含RGB-D数据,专门针对评估对象级别的变化环境,称为PUC-USP数据集。使用移动机器人,RGB-D摄像头和运动捕获系统创建了六个序列。这些序列旨在捕获可能导致跟踪故障或地图损坏的不同情况。据我们所知,更换 - 峰是第一个对动态和不断变化的环境既有坚固耐用的视觉大满贯系统,又不假设给定的相机姿势或已知地图,也能够实时运行。使用基准数据集对所提出的方法进行了评估,并将其与其他最先进的方法进行了比较,证明是高度准确的。
translated by 谷歌翻译
识别分布内容对于成功实施神经网络至关重要。已经开发了看门狗技术来支持这些输入的检测,但是性能可以受到可用数据量的限制。生成的对抗网络已经显示出许多功能,包括能够以极好的精度生成传真。本文介绍并经验评估了使用GAN生成的数据开发的多层看门狗,以改善分布外检测。Cascade看门狗使用对抗训练来增加与更难检测到的分布元素相似的可用数据量。然后,按顺序添加专门的第二个防护局。结果表明,检测最具挑战性的分布输入,同时保留了极低的假阳性率。
translated by 谷歌翻译