Resumen

La robustez de los sistemas de odometra visual (VO) es fundamental, ya que determina un rendimiento fiable en diversos escenarios y entornos difciles. Especialmente con el desarrollo de la tecnologa basada en datos, como el aprendizaje profundo, la combinacin de la VO basada en datos y la VO tradicional basada en modelos ha logrado un rendimiento de seguimiento preciso. Sin embargo, la existencia de ptimos locales en la funcin de coste basada en modelos sigue limitando la robustez. En este estudio, introducimos un nuevo marco con un filtro de partculas (PF) en el proceso de optimizacin, donde el PF se construye mediante la prediccin de la red neuronal profunda (DNN). Proponemos construir el FP mediante la clasificacin de la prediccin del movimiento y su incertidumbre basada en las caractersticas del movimiento de conduccin en carretera. Al mismo tiempo, se introduce una estrategia de prediccin DNN por intervalos para mejorar el rendimiento en tiempo real. Los resultados experimentales muestran que nuestro marco obtiene mejor precisin de seguimiento y robustez que los trabajos existentes, mientras que el consumo de tiempo se mantiene.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:robustez; odometría visual; sistemas VO; aprendizaje profundo; filtro de partículas; red neuronal profunda
• Keywords:robustness; visual odometry; VO systems; deep learning; particle filter; deep neural network