每天一分鐘，帶你讀遍機器人頂級會議文章
標題：Learning Monocular Visual Odometry through Geometry-Aware Curriculum Learning
作者：Muhamad Risqi U. Saputra, Pedro P. B. de Gusmao, Sen Wang, Andrew Markham, and Niki Trigoni
來源：IEEE International Conference on Robotics and Automation (ICRA)，2019
編譯：楊雨生
審核：黃思宇，孫欽
歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後臺留言申請授權
受人類和動物認知過程的啟發，課程學習（CL）在訓練數據時逐步增加訓練樣本的難度。在本文中，作者探討了將課程學習應用到複雜幾何任務上的問題，例如估計單目視覺裡程計的軌跡。不同於現有的課程學習方法，作者提出一種新的課程學習策略來學習單目視覺裡程計中的幾何信息，通過在訓練的過程中逐步增加訓練對象的難度。針對這樣一個目標，作者提出一個幾何感知目標函數，通過聯合優化相對變換誤差，和小窗口中的複合變換誤差（作者稱之為bounded pose regression loss）。作者設計了CL-VO網絡來解決所提出的問題，這個網絡由一個級聯光流網絡，加上其後面連接著由可微分窗口組成層組成的循環網絡構成。作者在三個真實世界的數據集上進行了測試，其所提出的CL-VO與feature-based VO 和learning-based VO相比，表現出來更好的效果。
圖1 上圖是作者所提出的CL-VO網絡結構圖，首先是級聯光流網絡，然後接著是循環網絡，最後是全連接層。
圖2 上圖是作者提出的CL-VO網絡中，添加了windowed composition layer。
圖3 上圖是作者在KITTI數據集上進行實驗的效果。
表1 CL-VO與其他方法在KITTI數據集上的誤差比較。
Abstract
Inspired by the cognitive process of humans and animals, Curriculum Learning (CL) trains a model by gradually increasing the difficulty of the training data. In this paper, we study whether CL can be applied to complex geometry problems like estimating monocular Visual Odometry (VO). Unlike existing CL approaches, we present a novel CL strategy for learning the geometry of monocular VO by gradually making the learning objective more difficult during training. To this end, we propose a novel geometry-aware objective function by jointly optimizing relative and composite transformations over small windows via bounded pose regression loss. A cascade optical flow network followed by recurrent network with a differentiable windowed composition layer, termed CL-VO, is devised to learn the proposed objective. Evaluation on three real-world datasets shows superior performance of CL-VO over state-of-the-art feature-based and learning-based VO.
如果你對本文感興趣，請點擊點擊閱讀原文下載完整文章，如想查看更多文章請關注【泡泡機器人SLAM】公眾號（paopaorobot_slam）。
歡迎來到泡泡論壇，這裡有大牛為你解答關於SLAM的任何疑惑。
有想問的問題，或者想刷帖回答問題，泡泡論壇歡迎你！
泡泡網站：www.paopaorobot.org
泡泡論壇：http://paopaorobot.org/bbs/
泡泡機器人SLAM的原創內容均由泡泡機器人的成員花費大量心血製作而成，希望大家珍惜我們的勞動成果，轉載請務必註明出自【泡泡機器人SLAM】微信公眾號，否則侵權必究！同時，我們也歡迎各位轉載到自己的朋友圈，讓更多的人能進入到SLAM這個領域中，讓我們共同為推進中國的SLAM事業而努力！
商業合作及轉載請聯繫liufuqiang_robot@hotmail.com