以下內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文# Descriptor Distillation for Efficient Multi-Robot SLAM

論文地址：https://arxiv.org/abs/2303.08420

作者單位：浙江大學(xué) ?

? ? 在保持低水平通信帶寬的同時(shí)進(jìn)行精確定位是多機(jī)器人同時(shí)定位和建圖（MR-SLAM）的一個(gè)重要挑戰(zhàn)。在本文中，我們通過生成一個(gè)具有最小推理時(shí)間的緊湊但有判別力的特征描述符來解決這個(gè)問題。我們提出了描述符提取，將描述符生成公式化為師生框架下的學(xué)習(xí)問題。為了實(shí)現(xiàn)實(shí)時(shí)描述符生成，我們設(shè)計(jì)了一個(gè)緊湊的學(xué)生網(wǎng)絡(luò)，并通過轉(zhuǎn)移預(yù)先訓(xùn)練的大型教師模型中的知識(shí)來學(xué)習(xí)。

? ? 為了減少從教師到學(xué)生的描述符維度，我們提出了一種新的損失函數(shù)，該函數(shù)能夠在兩個(gè)不同維度的描述符之間進(jìn)行知識(shí)轉(zhuǎn)移。實(shí)驗(yàn)結(jié)果表明，我們的模型比最先進(jìn)的模型輕30%，并且在補(bǔ)丁匹配中產(chǎn)生了更好的描述符。此外，我們基于所提出的方法構(gòu)建了一個(gè)MR-SLAM系統(tǒng)，并表明我們的描述符蒸餾可以在較低的帶寬下實(shí)現(xiàn)更高的MR-SLAM定位性能。

本文貢獻(xiàn)如下：

1、我們設(shè)計(jì)了一個(gè)教師學(xué)生模型來生成緊湊的二進(jìn)制描述符。我們的模型在匹配性能和計(jì)算成本方面都優(yōu)于最先進(jìn)的方法。

2、我們提出了一種新的基于距離的蒸餾損失，它允許在具有不同輸出維度的模型之間進(jìn)行知識(shí)轉(zhuǎn)移。

3、我們開發(fā)了一個(gè)基于新描述符模型的MR-SLAM系統(tǒng)作為評(píng)估平臺(tái)。結(jié)果表明，我們的模型在公共EuRoC數(shù)據(jù)集中對(duì)MR-SLAM任務(wù)表現(xiàn)出良好的性能。

以上內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈 每日更新內(nèi)容