北京大學查紅彬：基於數據流處理的SLAM技術

人工智能論壇現在浩如煙海，有硬貨、有乾貨的講座卻鳳毛麟角。「AI將來說·青年學術論壇」系列講座由中國科學院大學主辦，承辦單位爲中國科學院大學學生會，協辦單位爲中國科學院計算所研究生會、網絡中心研究生會、人工智能學院學生會、化學工程學院學生會、公共政策與管理學院學生會、微電子學院學生會，百度爲支持單位，讀芯術、PaperWeekly爲合做自媒體。「AI將來說·青年學術論壇」第七期「自動駕駛」專場已於2019年7月22日下午在中科院舉行。北京大學查紅彬教授爲你們帶來報告《基於數據流處理的SLAM技術》。

查紅彬，北京大學信息科學技術學院智能科學系教授，機器感知與智能教育部重點實驗室主任。主要從事計算機視覺與智能人機交互的研究，在三維視覺幾何計算、三維重建與環境幾何建模、三維物體識別等方面取得了一系列成果。出版學術期刊及國際會議論文300多篇，其中包括IEEET- PAMI，IJCV, IEEE T-VCG, IEEE T-RA, IEEE T-SMC,ACM T-IST, JMLR, PR 等國際期刊以及ICCV,ECCV, CVPR, CHI, ICML,AAAI,ICRA等國際學術會議論文90餘篇。

報告內容：近年來，隨着自動駕駛、機器人導航與移動終端傳感計算等應用的快速發展，SLAM（Simultaneous Localization and Mapping：即時定位與地圖構建）技術再度成爲計算機視覺與虛擬現實領域的研究熱點。傳統的SLAM技術充分利用多視點幾何與SfM（Structure from Motion）等領域的高效算法，並經過與深度傳感器、慣性傳感器等下一代傳感設備的數據融合，在傳感器軌跡計算精度與三維場景重建質量方面取得了顯著的進步。但在實際應用中，仍存在重建偏差積累嚴重、計算成本高昂等問題，影響了機器系統的在線響應速度以及對複雜環境的自適應能力。針對這些問題，咱們應最大限度地利用傳感數據的時空一致性與三維地圖的幾何不變性，在現有多視點幾何計算的基礎上，強化SLAM算法的系統性與泛化能力，進一步改善其基本性能。該報告的主要內容包括：（1）引入數據流計算的基本概念，充分挖掘密集採樣傳感數據內在的時空連續性，以增強SLAM算法的預測能力；（2）構建基於時域變化的增量算法，並利用地圖全局特徵的約束以及傳感數據的實時反饋做用，實現傳感器軌跡的高效計算與三維地圖的遞進式構建；（3）嘗試各種機器學習算法在SLAM問題中的應用，以探討創建自監督SLAM在線學習技術的新途徑。

 

基於數據流處理的SLAM技術

查紅彬老師首先介紹了移動傳感器中的定位（Location）和地圖構建（Mapping）兩大任務，定位是關於傳感器運動軌跡求解的問題，地圖構建是關於環境在線三維重建的問題。二者之間緊密耦合、相輔相成、是移動視覺系統的基礎。

接着講了SLAM研究的發展史：SLAM(as a new idea proposed, 1986) → mono-SLAM (Monocular SLAM, 2007) → MSCKF (Multi-State Constraint Kalman Filter, 2011) → LSD-SLAM (Large-Scale Direct Monocular SLAM, 2013) → ORB-SLAM (Oriented FAST and Rotated BRIEF SLAM, Graph-based visual SLAM, 2016) → DSO (Direct Sparse Odometry, 2018)。由SLAM的發展史，能夠看出其發展趨勢：從更好地使用多視點間的顯式幾何關係，到融合不一樣傳感器的性能。現有的系統在特定環境中能取得較好的結果。

 

而後介紹了當前SLAM存在的一些問題：1）不多關注時間連續性，如輕視SLAM固有的時空連續性，於是形成了系統累積偏差大以及特徵跟蹤魯棒性差等問題；2）過分依賴於像素的對應關係，沒有很好地使用結構化的約束信息，紋理缺失狀況下性能不好；3）重複和冗餘的計算量大，對於硬件的要求很高。由此致使了SLAM算法的許多系統性問題：1）須要精心設計的手工干預和特別的策略；2）須要使用各類優化方法以應對不一樣的實際條件；3）對於不一樣的場景泛化能力不好。

緊接着講解了基於數據流的SLAM的工做過程：從流（Flow）到預測（Predictor），再到地圖構建（Mapping），最後到學習（Learning），並經過具體案例進行了詳細講解。傳感器數據流具備如下特色：1）序列數據的運動連續性；2）輸入數據時空一致性的顯式表達；3）遵循物理規律的常規模式；4）使不可預測的狀態變化變得可預測。預測器是高性能SLAM系統的引擎，它是一個迭代式的狀態推理過程：一個生成式模型。同時，地圖是環境空間的一個不變量表達方式，能爲SLAM系統的預測提供正則化約束。所以，機器學習方法是一個系統的解決方案，在學習的過程當中，既可使用監督學習的途徑來實現參數的優化與估計，更重要的是能夠利用自監督學習和在線學習方法，構建一個增量式的SLAM學習系統。

最後，查紅彬老師介紹了本身團隊所研究的與SLAM相關的方法，如：動態模型方法（Dynamics Model）、基於線流方法（Line Flow）、循環神經網絡學習方法（RNN Learning）以及基於機率的地圖表達方法（Probabilistic Map Representation）等，其相關工做的研究目標是實現SLAM的非監督在線學習。更多精彩內容請關注視頻分享。

留言 點贊 關注

咱們一塊兒分享AI學習與發展的乾貨

歡迎關注全平臺AI垂類自媒體 「讀芯術」

（添加小編微信：dxsxbb，加入讀者圈，一塊兒討論最新鮮的人工智能科技哦～）