Monocular Teach-and-Repeat Navigation using a Deep Steering Network with Scale Estimation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00357705" target="_blank" >RIV/68407700:21230/21:00357705 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1109/IROS51168.2021.9635912" target="_blank" >https://doi.org/10.1109/IROS51168.2021.9635912</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IROS51168.2021.9635912" target="_blank" >10.1109/IROS51168.2021.9635912</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Monocular Teach-and-Repeat Navigation using a Deep Steering Network with Scale Estimation
Popis výsledku v původním jazyce
This paper proposes a novel monocular teach-and-repeat navigation system with the capability of scale awareness, i.e. the absolute distance between observation and goal images. It decomposes the navigation task into a sequence of visual servoing sub-tasks to approach consecutive goal/node images in a topological map. To be specific, a novel hybrid model, named deep steering network is proposed to infer the navigation primitives according to the learned local feature and scale for each visual servoing sub-task. A novel architecture, Scale-Transformer, is developed to estimate the absolute scale between the observation and goal image pair from a set of matched deep representations to assist repeating navigation. The experiments demonstrate that our scale-aware teach-and-repeat method achieves satisfying navigation accuracy, and converges faster than the monocular methods without scale correction given an inaccurate initial pose.
Název v anglickém jazyce
Monocular Teach-and-Repeat Navigation using a Deep Steering Network with Scale Estimation
Popis výsledku anglicky
This paper proposes a novel monocular teach-and-repeat navigation system with the capability of scale awareness, i.e. the absolute distance between observation and goal images. It decomposes the navigation task into a sequence of visual servoing sub-tasks to approach consecutive goal/node images in a topological map. To be specific, a novel hybrid model, named deep steering network is proposed to infer the navigation primitives according to the learned local feature and scale for each visual servoing sub-task. A novel architecture, Scale-Transformer, is developed to estimate the absolute scale between the observation and goal image pair from a set of matched deep representations to assist repeating navigation. The experiments demonstrate that our scale-aware teach-and-repeat method achieves satisfying navigation accuracy, and converges faster than the monocular methods without scale correction given an inaccurate initial pose.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GC20-27034J" target="_blank" >GC20-27034J: Rozšíření prostorových modelů explicitní representací času pro dlouhodobou autonomii mobilních robotů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
ISBN
978-1-6654-1714-3
ISSN
2153-0858
e-ISSN
2153-0866
Počet stran výsledku
7
Strana od-do
2613-2619
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
Praha
Datum konání akce
27. 9. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000755125502022