Practice makes perfect? Managing and leveraging visual experiences for lifelong navigation

Ce document porte sur la navigation à long terme dans des environnements dont l’apparence change au fil du temps – soudainement ou progressivement. Nous décrivons, mettre en œuvre et valider une approche qui nous permet d’apprendre progressivement un modèle dont la complexité varie naturellement en fonction de la variation de l’apparence de la scène. Il nous permet de tirer parti de l’état de l’art dans l’estimation de pose pour construire sur plusieurs pistes, un modèle mondial d’une richesse suffisante pour permettre la localisation simple, malgré une grande variation des conditions. Comme notre robot parcourt à plusieurs reprises son espace de travail, il accumule des expériences visuelles distinctes de concert, représentent implicitement la variation de la scène – chaque expérience capture un mode visuel. En cas d’utilisation dans une zone déjà visitée, nous essayons toujours de localiser dans ces expériences précédentes lors de l’exécution simultanée d’un système d’estimation de pose à base de vision indépendante. Le défaut de se localiser dans un nombre suffisant d’expériences antérieures indique un modèle insuffisant de l’espace de travail et dynamise la pose de la séquence d’images en direct comme une nouvelle expérience distincte. De cette façon, au fil du temps, nous pouvons saisir l’aspect typique variant dans le temps d’un environnement et le nombre d’expériences nécessaires tend à une constante. Bien que nous nous concentrons sur la vision comme capteur primaire tout au long, les idées que nous présentons ici sont également applicables à d’autres modalités de détection. Nous démontrons notre travail d’approche sur un véhicule routier exploitation sur une période de trois mois à différents moments de la journée, dans différentes conditions météorologiques et les conditions d’éclairage. Dans l’ensemble, nous traitons plus de 136 000 images capturées à partir de 37 km de conduite. Traduit à l'aide de Google Translate