以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學習資料 → 機器人SLAM學習資料大禮包

#論文#開源代碼# ?CoVIO: Online Continual Learning for Visual-Inertial Odometry

論文地址：https://arxiv.org/abs/2303.10149

作者單位：弗萊堡大學

開源代碼：http://continual-slam.cs.uni-freiburg.de/

?

視覺里程計是移動設(shè)備和機器人平臺上的許多應(yīng)用程序的一項基本任務(wù)。由于這樣的應(yīng)用通常不限于預定義的目標領(lǐng)域，并且已知基于學習的視覺系統(tǒng)在不可見環(huán)境中的泛化能力較差，因此在推理時間期間進行連續(xù)自適應(yīng)的方法是非常有意義的。在這項工作中，我們引入了CoVIO來在線連續(xù)學習視覺慣性里程計。CoVIO有效地適應(yīng)了新的領(lǐng)域，同時通過利用經(jīng)驗回放來緩解災(zāi)難性遺忘。

特別是，我們提出了一種新的采樣策略，以最大化固定大小的重放緩沖區(qū)中的圖像多樣性，目標是嵌入式設(shè)備有限的存儲容量。我們還提供了一個異步版本，該版本將里程計估計與網(wǎng)絡(luò)權(quán)重更新步驟解耦，從而能夠?qū)崟r地進行連續(xù)推理。我們在各種真實數(shù)據(jù)集上對CoVIO進行了廣泛的評估，表明它成功地適應(yīng)了新的領(lǐng)域，同時性能優(yōu)于以前的方法。

本文貢獻如下：

1、我們將雙網(wǎng)絡(luò)架構(gòu)替換為單網(wǎng)絡(luò)，既解決了域適配和知識保留問題，又簡化了整體架構(gòu)，并減少了GPU內(nèi)存占用。此外，這解決了在沒有域分類的情況下傳輸網(wǎng)絡(luò)權(quán)重的問題。

2.提出了一種固定大小的重放緩沖區(qū)，最大化了圖像多樣性，解決了嵌入式設(shè)備存儲容量有限的問題。

3.我們提出了一種CoVIO的異步版本，它將核心運動估計與網(wǎng)絡(luò)更新步驟分開，允許真正的連續(xù)推理。

4.我們在各種公開可用的和內(nèi)部可用的數(shù)據(jù)集上對CoVIO進行了廣泛的評估，證明了它與其他視覺里程計方法相比的有效性。

以上內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容