获取完整原文和代码，公众号回复：08090943867
论文地址： https://arxiv.org/pdf/1910.10672v3.pdf
代码： 公众号回复：08090943867
来源： 蒙特利尔大学
论文名称：▽SLAM：Automagically differentiable SLAM
原文作者：Krishna Murthy J.
内容提要
将表示学习方法与同步定位和映射(SLAM)系统混合是一个有待解决的问题，因为它们具有高度模块化和复杂性。从功能上讲，SLAM是一种将原始传感器输入转换为分布在机器人状态和环境上的操作。如果这个转换(SLAM)可以表示为可微函数，我们可以利用基于任务的错误信号来学习优化任务性能的表示。然而，一个典型的密集SLAM系统的几个组成部分是不可微的。在这项工作中，我们提出了rSLAM (gradSLAM)，一种将SLAM系统摆成可微分计算图的方法，它统一了基于梯度的学习和SLAM。在不牺牲精度的前提下，我们提出了可微可信区域优化器、表面测量和融合方案以及raycasting。密集SLAM与计算图形的结合使我们能够从3D地图到2D像素进行支持，这为SLAM1基于梯度的学习提供了新的可能性。我们利用自动区分框架使稠密SLAM变得可区分。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
