[论文解读] Continual SLAM: Beyond Lifelong Simultaneous Localization and Mapping Through Continual Learning

Niclas Vödisch, Daniele Cattaneo+2 more|arXiv (Cornell University)|Mar 3, 2022

Robotics and Sensor-Based Localization被引用 10

一句话总结

该论文提出Continual SLAM（CL-SLAM），一种新颖的框架，使机器人能够在持续学习并适应多个显著不同的环境的同时，保留对先前访问环境的知识。通过采用带有在线自适应和经验回放的双网络架构，CL-SLAM在适应性和知识保留方面均优于基线方法，在未见过的环境中实现2.50%的平移误差，并在连续部署中保持较低误差。

ABSTRACT

Robots operating in the open world encounter various different environments that can substantially differ from each other. This domain gap also poses a challenge for Simultaneous Localization and Mapping (SLAM) being one of the fundamental tasks for navigation. In particular, learning-based SLAM methods are known to generalize poorly to unseen environments hindering their general adoption. In this work, we introduce the novel task of continual SLAM extending the concept of lifelong SLAM from a single dynamically changing environment to sequential deployments in several drastically differing environments. To address this task, we propose CL-SLAM leveraging a dual-network architecture to both adapt to new environments and retain knowledge with respect to previously visited environments. We compare CL-SLAM to learning-based as well as classical SLAM methods and show the advantages of leveraging online data. We extensively evaluate CL-SLAM on three different datasets and demonstrate that it outperforms several baselines inspired by existing continual learning-based visual odometry methods. We make the code of our work publicly available at http://continual-slam.cs.uni-freiburg.de.

研究动机与目标

• 为解决在存在显著领域差距的开放世界环境中部署基于学习的SLAM所面临的挑战。
• 将终身SLAM从单一环境适应扩展到在多个显著不同的环境中连续部署。
• 开发一种方法，在快速适应新环境的同时，有效保留对先前访问环境的知识。
• 在真实世界数据集上评估该框架，使用同时捕捉适应质量与保留质量的指标。
• 提供公开可获取的实现，以支持可复现性及持续视觉SLAM的进一步研究。

提出的方法

• 提出CL-SLAM，一种双网络架构，包含特征提取器和头部网络，用于在线自适应与知识保留。
• 采用双流特征编码器，解耦域不变特征与域特定特征，以提升泛化能力。
• 使用基于光度一致性与深度预测的自监督损失进行网络训练，无需真实标签。
• 应用图像平滑性正则化与速度监督，以提高深度与位姿估计的准确性。
• 将经验回放与过去数据的缓冲区结合，以缓解持续学习过程中的灾难性遗忘。
• 定义适应质量与保留质量指标，以定量评估在多个连续环境中的性能表现。

实验结果

研究问题

• RQ1 基于学习的SLAM系统是否能有效适应新出现的、未见过的环境，同时不遗忘先前学习的知识？
• RQ2 在多个环境中，CL-SLAM在适应性与保留性方面相较于经典方法与基于学习的SLAM基线方法表现如何？
• RQ3 在线自适应结合经验回放在开放世界机器人导航中在多大程度上提升了泛化能力？
• RQ4 与标准单头模型相比，双网络架构是否在持续SLAM中实现了更好的域泛化能力？
• RQ5 数据集中内部的结构差异在多大程度上影响了反向迁移与模型性能？

主要发现

• 在k1和r1环境部署后，CL-SLAM在k1环境中的平移误差为2.50%，旋转误差为0.37°/100m，表明其具备出色的适应能力。
• 在r1环境中，CL-SLAM在先前部署于k1之后，实现28.94%的平移误差与5.63°/100m的旋转误差，表明其能有效适应新领域。
• 在k1、r1与k2环境中连续部署后，CL-SLAM在k2环境中的平移误差为4.85%，旋转误差为1.59°/100m，表明其具备强大的知识保留能力。
• Boffline基线方法（使用带缓冲区的离线微调）表现出不一致的性能，在k1部署后r1环境中的误差更高，表明缺乏在线自适应时反向迁移能力受限。
• 在三个不同数据集上，CL-SLAM在适应性与保留性指标上均优于所有基线方法，证实其在SLAM持续学习中的优越性。
• 轨迹可视化结果表明，与基线方法相比，CL-SLAM生成的地图更准确且更一致，尤其在多次环境切换后表现更优。