视觉里程计/SLAM是实现智能感知系统的关键技术之一,在智能机器人、自动驾驶和增强现实等领域具有广泛的应用。查红彬团队探索了鲁棒、高效、自适应的视觉理论与方法,旨在提高智能感知系统在复杂现实场景中的环境与任务自适应性:
1)提出了基于流和线面结构的SLAM方法,在特征点的优化框架中加入直线和平面几何约束、以及平行和垂直等关联关系,增加了复杂场景、外观差异和观测噪声下的数据配准稳定性,抑制了累积误差的积累,提高了不同质量数据的融合精度。
2)提出了基于隐式地图记忆的深度学习SLAM新范式,记忆模块用以保存在序列处理过程中形成的局部记忆,解决了循环神经网络记忆能力有限的问题,大幅度提升视觉里程计的适应性和精度,证明了基于学习的视觉里程计鲁棒性更强。
3)提出了环境自适应的深度学习SLAM方法,采用基于元学习的在线学习策略,使预训练的模型能在短时间内适应新的场景,解决了不同场景的网络泛化性问题,增强了深度视觉里程计对新场景的适应性,定位精度超过了经典方法,证明了在线学习在视觉里程计中的可行性。
相关成果在计算机视觉国际顶级会议CVPR和期刊TPAMI发表了多篇论文,获得CCCV 2017最佳论文奖、ICPR2018最佳科学论文奖、ISMAR 2019 SLAM-for-AR竞赛V-SLAM组第一名,并2019-2020连续两年在CVPR做大会报告。承担多项国家自然科学基金、国家重点研发计划和军口项目,与商汤科技共建北大-商汤科技机器视觉联合实验室。
图 CVPR19报告现场、TPAMI22论文截图、CCCV17最佳科学论文奖和颁奖现场、ICPR18最佳科学论文奖和颁奖现场、ISMAR19的VSLAM挑战赛第一名和颁奖现场。
地址:北京市海淀区颐和园路5号(62755617) 反馈意见:its@pku.edu.cn
Copyright 版权所有©开云app体育 智能学院 All Rrights Reserved.