[论文解读] Scalable Place Recognition Under Appearance Change for Autonomous Driving

Anh-Dzung Doan, Yasir Latif+4 more|arXiv (Cornell University)|Aug 1, 2019

Robotics and Sensor-Based Localization参考文献 37被引用 21

一句话总结

本文提出了一种可扩展的基于HMM的场景识别框架，能够高效地对不断增长的视觉数据库进行再训练和压缩，从而在外观变化下保持高精度——即使在持续的数据更新后，仍实现了实时性能，并在准确率上优于MapNet和VidLoc等最先进方法。

ABSTRACT

A major challenge in place recognition for autonomous driving is to be robust against appearance changes due to short-term (e.g., weather, lighting) and long-term (seasons, vegetation growth, etc.) environmental variations. A promising solution is to continuously accumulate images to maintain an adequate sample of the conditions and incorporate new changes into the place recognition decision. However, this demands a place recognition technique that is scalable on an ever growing dataset. To this end, we propose a novel place recognition technique that can be efficiently retrained and compressed, such that the recognition of new queries can exploit all available data (including recent changes) without suffering from visible growth in computational cost. Underpinning our method is a novel temporal image matching technique based on Hidden Markov Models. Our experiments show that, compared to state-of-the-art techniques, our method has much greater potential for large-scale place recognition for autonomous driving.

研究动机与目标

• 解决由于天气、光照、季节变化和城市改造导致的动态外观变化下长期场景识别的挑战。
• 开发一种可扩展的场景识别系统，在视觉数据库持续增长的情况下仍能保持较低的计算成本。
• 实现在不依赖GNSS或视觉里程计的前提下，对识别模型进行高效再训练和压缩。
• 通过快速整合新数据来提高定位精度，同时保持对外观变化的鲁棒性。
• 在Mapillary和Oxford RobotCar等现实世界中持续扩展的数据集上，证明方法的实际可行性。

提出的方法

• 该方法采用隐马尔可夫模型（HMM）对视觉特征的时间序列进行建模，从而在外观变化下实现鲁棒的场景识别。
• 提出一种新型的拓扑敏感压缩过程，剔除冗余节点并合并相似位置，减少存储和计算负载。
• 系统使用k-means树实现高效的特征索引，并通过基于图的匹配加速查询处理。
• 该框架支持增量更新：通过剔除和节点合并处理新查询序列，避免完整再训练。
• 采用置信度分数（MaxAP）判断查询帧是否应被接受为新位置，从而在未探索区域扩展覆盖范围。
• 该方法在更新过程中不依赖真实位姿，而是基于置信度选择和拓扑一致性。

实验结果

研究问题

• RQ1 在不依赖GNSS或视觉里程计的前提下，场景识别系统能否在长期外观变化下保持高精度？
• RQ2 如何使视觉场景识别系统在持续增长的数据集上高效扩展，同时保持计算成本稳定？
• RQ3 轻量级、可再训练的框架能否在准确率和更新效率上超越基于深度学习的方法（如MapNet）？
• RQ4 拓扑压缩在多大程度上提升了大规模场景识别的可扩展性并降低了计算开销？
• RQ5 基于置信度的新查询帧接受机制是否能有效扩展未探索区域的地图覆盖？

主要发现

• 在Oxford RobotCar数据集的Seq-3上，我们的方法实现了6.59米和3.28°的平均6-DoF位姿误差，优于MapNet（8.71米，3.31°）和VidLoc（29.63米，1.59°）。
• 在Seq-8序列中，我们的方法报告的平均误差为24.26米和21.54°，在使用噪声标签重新训练后，显著优于MapNet的26.55米和21.97°。
• 我们方法的训练时间约为每序列1.65分钟，而MapNet为11.6小时，VidLoc为14.1小时，显示出显著更优的训练效率。
• 使用我们的剔除和压缩流水线，用新查询序列更新模型耗时不足5分钟，而MapNet需要约6小时的重新训练。
• 通过接受MaxAP ≥ 0.3的新帧，系统成功在未探索区域扩展了地图覆盖范围，如图4所示。
• 我们的方法在轨迹预测上比MapNet更平滑，表明在外观变化下具有更好的定位一致性。