以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容
点击领取学习资料 → 机器人SLAM学习资料大礼包
#论文#开源代码# CoVIO: Online Continual Learning for Visual-Inertial Odometry
论文地址：https://arxiv.org/abs/2303.10149
作者单位：弗莱堡大学
开源代码：http://continual-slam.cs.uni-freiburg.de/
视觉里程计是移动设备和机器人平台上的许多应用程序的一项基本任务。由于这样的应用通常不限于预定义的目标领域，并且已知基于学习的视觉系统在不可见环境中的泛化能力较差，因此在推理时间期间进行连续自适应的方法是非常有意义的。在这项工作中，我们引入了CoVIO来在线连续学习视觉惯性里程计。CoVIO有效地适应了新的领域，同时通过利用经验回放来缓解灾难性遗忘。
特别是，我们提出了一种新的采样策略，以最大化固定大小的重放缓冲区中的图像多样性，目标是嵌入式设备有限的存储容量。我们还提供了一个异步版本，该版本将里程计估计与网络权重更新步骤解耦，从而能够实时地进行连续推理。我们在各种真实数据集上对CoVIO进行了广泛的评估，表明它成功地适应了新的领域，同时性能优于以前的方法。
本文贡献如下：
1、我们将双网络架构替换为单网络，既解决了域适配和知识保留问题，又简化了整体架构，并减少了GPU内存占用。此外，这解决了在没有域分类的情况下传输网络权重的问题。
2.提出了一种固定大小的重放缓冲区，最大化了图像多样性，解决了嵌入式设备存储容量有限的问题。
3.我们提出了一种CoVIO的异步版本，它将核心运动估计与网络更新步骤分开，允许真正的连续推理。
4.我们在各种公开可用的和内部可用的数据集上对CoVIO进行了广泛的评估，证明了它与其他视觉里程计方法相比的有效性。
以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容