視覺定位是自動(dòng)駕駛和移動(dòng)機(jī)器人領(lǐng)域的核心技術(shù)之一，旨在估計(jì)移動(dòng)平臺(tái)當(dāng)前的全局位姿，為環(huán)境感知和路徑規(guī)劃等其他環(huán)節(jié)提供參考和指導(dǎo)。國(guó)內(nèi)知名互聯(lián)網(wǎng)公司-美團(tuán)無人配送團(tuán)隊(duì)長(zhǎng)期在該方面進(jìn)行深入探索，積累了大量創(chuàng)新性工作。不久前，視覺定位組提出的融合3D場(chǎng)景幾何信息的視覺定位算法被ICRA2020收錄，本文將對(duì)該方法進(jìn)行介紹。

背景

1. 視覺定位算法介紹1.1 傳統(tǒng)視覺定位算法 傳統(tǒng)的視覺定位方法通常需要預(yù)先構(gòu)建視覺地圖，然后在定位階段，根據(jù)當(dāng)前圖像和地圖的匹配關(guān)系來估計(jì)相機(jī)的位姿（位置和方向）。在這種定位框架中，視覺地圖通常用帶有三維信息和特征描述子的稀疏關(guān)鍵點(diǎn)表示。然后，通過當(dāng)前圖像與地圖之間的關(guān)鍵點(diǎn)匹配獲取2D-3D對(duì)應(yīng)關(guān)系，利用PnP結(jié)合RANSAC的策略來估計(jì)相機(jī)位姿。其中，獲得準(zhǔn)確的2D-3D對(duì)應(yīng)關(guān)系對(duì)定位結(jié)果至關(guān)重要。近年來，許多工作為提高2D-3D的匹配精度進(jìn)行了各方面的探索，但大多傳統(tǒng)方法[1,3,4]還是基于SIFT、SURF、ORB等底層特征，很難處理具有挑戰(zhàn)性（光照改變或季節(jié)改變）的情況。

1.2 深度學(xué)習(xí)視覺定位算法 最近幾年，融合神經(jīng)網(wǎng)絡(luò)的視覺定位算法被廣泛研究，大家希望用神經(jīng)網(wǎng)絡(luò)取代傳統(tǒng)方法中的部分模塊（例如關(guān)鍵點(diǎn)和描述子生成）或者直接端到端的估計(jì)相機(jī)位姿。本論文研究?jī)?nèi)容屬于對(duì)后面這種類型算法的優(yōu)化。端到端視覺定位算法用神經(jīng)網(wǎng)絡(luò)的權(quán)值來表征場(chǎng)景信息，網(wǎng)絡(luò)的訓(xùn)練過程實(shí)現(xiàn)建圖，定位由網(wǎng)絡(luò)的推理過程實(shí)現(xiàn)。PoseNet[2]是第一個(gè)基于神經(jīng)網(wǎng)絡(luò)的端到端視覺定位算法，它利用GoogLeNet的基礎(chǔ)架構(gòu)直接對(duì)輸入的RGB圖像進(jìn)行6DoF相機(jī)位姿回歸。在該思路的基礎(chǔ)上，后續(xù)的改進(jìn)包括加深網(wǎng)絡(luò)結(jié)構(gòu)、增加約束關(guān)系、融合時(shí)序信息和多任務(wù)聯(lián)合建模等，例如，[5]加入貝葉斯CNN來建模精度不確定性；[6]將網(wǎng)絡(luò)改為encoder-decoder結(jié)構(gòu)；[7]和[8]引入了LSTM，利用視頻流的時(shí)間和運(yùn)動(dòng)平滑性約束網(wǎng)絡(luò)學(xué)習(xí)；[9]和[10]提出了多任務(wù)學(xué)習(xí)框架，聯(lián)合建模視覺定位、里程計(jì)估計(jì)和語義分割三個(gè)任務(wù)，以上的工作都取得了定位精度的提升。

1.3 研究目的及意義 在上述提到的優(yōu)化方法中，雖然[9]和[10]在定位精度上表現(xiàn)的更有優(yōu)勢(shì)，但是往往需要語義分割等大量的標(biāo)注信息，在大規(guī)模的場(chǎng)景下代價(jià)太大。對(duì)于加深網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法，又可能帶來訓(xùn)練的難度，因此，我們認(rèn)為合理利用容易獲取的信息來優(yōu)化約束關(guān)系，具有更好的普適性和靈活性，這也是本研究的動(dòng)機(jī)之一。一些其他研究者也在這方面開展了工作，例如受傳統(tǒng)方法的啟發(fā)，幾何一致性誤差、重投影誤差、相對(duì)變換誤差等被構(gòu)建為正則化項(xiàng)加入損失函數(shù)中。這些改進(jìn)比僅公式化預(yù)測(cè)位姿和真值位姿之間歐式距離的效果更好，并且不受網(wǎng)絡(luò)結(jié)構(gòu)的約束，可以靈活的適用于各種網(wǎng)絡(luò)做進(jìn)一步的性能提升。

在此基礎(chǔ)上，我們進(jìn)一步探索以更好的方式用幾何信息來約束網(wǎng)絡(luò)權(quán)重的更新。在SLAM應(yīng)用和無人車平臺(tái)中，深度信息是不可或缺的。例如，室內(nèi)情況，利用現(xiàn)有的深度估計(jì)算法，可以直接從結(jié)構(gòu)光相機(jī)、ToF相機(jī)或立體相機(jī)中獲取深度信息；室外環(huán)境，通常采用三維激光雷達(dá)來獲取深度/距離信息。因此，我們的改進(jìn)也對(duì)深度信息加以利用。此外，我們使用了光度一致性的假設(shè)，也就是說，根據(jù)三維幾何知識(shí)，當(dāng)在多個(gè)圖像中觀察三維場(chǎng)景中的同一個(gè)點(diǎn)時(shí)，我們認(rèn)為其對(duì)應(yīng)的像素強(qiáng)度應(yīng)該是相同的，這也被用于許多視覺里程計(jì)或光流算法。受此啟發(fā)，我們構(gòu)建了光度差損失項(xiàng)，并自然而然地搭配結(jié)構(gòu)相似性(SSIM)損失項(xiàng)。前者為像素級(jí)約束，后者為圖像級(jí)約束，和常用的歐式距離一起作為網(wǎng)絡(luò)的損失函數(shù)，訓(xùn)練過程中約束網(wǎng)絡(luò)權(quán)重的更新。我們優(yōu)化后的損失函數(shù)融合了運(yùn)動(dòng)信息、3D場(chǎng)景幾何信息和圖像內(nèi)容，幫助訓(xùn)練過程更高效、定位效果更準(zhǔn)確。

2. 相關(guān)工作介紹2.1 幾何一致性約束 幾何一致性約束最近被用來幫助提高位姿回歸的準(zhǔn)確性，并被證明比單獨(dú)使用歐氏距離約束更有效。[9]和[10]通過懲罰與相對(duì)運(yùn)動(dòng)相矛盾的位姿預(yù)測(cè)，將幾何一致性引入到損失函數(shù)中。[11]利用圖像對(duì)之間的相對(duì)運(yùn)動(dòng)一致性來約束絕對(duì)位姿的預(yù)測(cè)。[12]引入了重投影誤差，使用真值和預(yù)測(cè)位姿分別將3D點(diǎn)投影到2D圖像平面上，將像素點(diǎn)位置的偏差作為約束項(xiàng)。這些方法都被認(rèn)為是當(dāng)時(shí)使用幾何一致性損失的最先進(jìn)方法。在本研究中，我們探索了一個(gè)3D場(chǎng)景幾何約束即光度差約束，通過聚合三維場(chǎng)景幾何結(jié)構(gòu)信息，使得網(wǎng)絡(luò)不僅能將預(yù)測(cè)的位姿與相機(jī)運(yùn)動(dòng)對(duì)齊，還能利用圖像內(nèi)容的光度一致性。

2.2 光度差約束 光度差約束通常用于處理帶監(jiān)督或無監(jiān)督學(xué)習(xí)的相對(duì)位姿回歸、光流估計(jì)和深度預(yù)測(cè)。例如，[13]研究了視頻序列的時(shí)間關(guān)系，為深度補(bǔ)全網(wǎng)絡(luò)提供額外的監(jiān)督。[14]利用無監(jiān)督學(xué)習(xí)的稠密深度和帶有光度差損失的相機(jī)位姿構(gòu)建了神經(jīng)網(wǎng)絡(luò)，以學(xué)習(xí)場(chǎng)景級(jí)一致性運(yùn)動(dòng)。[15]提出了一種多任務(wù)無監(jiān)督學(xué)習(xí)稠密深度、光流和ego-motion的方法，其中光度差約束對(duì)不同任務(wù)之間的一致性起著重要作用。由于光度差約束在相對(duì)位姿回歸和深度預(yù)測(cè)中被證明是有效的，我們引入并驗(yàn)證了它在絕對(duì)位姿預(yù)測(cè)中的有效性。 與上述工作相比，我們的研究擴(kuò)展了以下幾點(diǎn)工作:

搭建了一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型，可以直接從輸入圖像估計(jì)相應(yīng)的相機(jī)絕對(duì)位姿。

利用深度傳感器信息，構(gòu)建了 3D 場(chǎng)景幾何約束來提高位姿預(yù)測(cè)精度。并且，稀疏深度信息足以獲得顯著的定位精度提升,這意味著我們的方法可以適用于任何類型的深度傳感器(稀疏或稠密)。

在室內(nèi)和室外數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn)評(píng)估，證明了加入 3D 場(chǎng)景幾何約束后，可以提高網(wǎng)絡(luò)的定位精度，并且這一約束可以靈活地加入到其他網(wǎng)絡(luò)中，幫助進(jìn)一步提高算法性能。

算法介紹

1. 算法框架

本研究提出的算法框架和數(shù)據(jù)流如圖a所示，藍(lán)色部分是算法中的神經(jīng)網(wǎng)絡(luò)部分（圖b），綠色部分是warping計(jì)算過程，黃色部分是網(wǎng)絡(luò)的損失函數(shù)項(xiàng)，只有藍(lán)色部分包含可訓(xùn)練的權(quán)重。 藍(lán)色部分的網(wǎng)絡(luò)模型采用主流的ResNet-50網(wǎng)絡(luò)，保留原來的block設(shè)置，并在最后一個(gè)block后加入3個(gè)全連接層，分別預(yù)測(cè)3維的translation(x)和3維的rotation(q)。網(wǎng)絡(luò)的訓(xùn)練過程需要輸入兩張連續(xù)的有共視的圖像以及其中一張圖像的深度圖，建立真值位姿和預(yù)測(cè)位姿之間的歐式距離約束作為損失項(xiàng)。大部分先前文獻(xiàn)中的工作僅以這個(gè)損失項(xiàng)作為損失函數(shù)，我們的工作則進(jìn)一步融入了3D場(chǎng)景幾何信息，通過利用比較容易獲取的深度信息將這個(gè)約束公式化為光度差和SSIM。相比之下，3D場(chǎng)景幾何約束是像素級(jí)的，可以利用更多的信息包括相機(jī)運(yùn)動(dòng)，場(chǎng)景的三維結(jié)構(gòu)信息和圖像內(nèi)容相關(guān)的光度信息，從而使網(wǎng)絡(luò)的學(xué)習(xí)更加高效，更好地朝著全局極小值的方向收斂。

2.Warping計(jì)算 綠色部分的warping計(jì)算利用連續(xù)兩張圖像之間的相對(duì)位姿變換和其中一張圖像的深度圖，將本張圖像上的像素投影到另一張圖像的視角上，生成視warping后的圖像，計(jì)算公式如下所示。

在warping計(jì)算中，從二維圖像像素重建三維結(jié)構(gòu)需要深度信息，實(shí)際應(yīng)用中我們可以從深度傳感器(結(jié)構(gòu)光相機(jī)、ToF相機(jī)和三維激光雷達(dá))獲取深度信息或通過相關(guān)算法回歸深度，例如從兩個(gè)重疊的圖像中提取匹配點(diǎn)的三角測(cè)量方法。為了不引入誤差，我們更傾向于選擇來自深度傳感器的比較魯棒的深度信息。為了方便反向傳播的梯度計(jì)算，我們采用雙線性插值作為采樣機(jī)制，生成與當(dāng)前圖像格式相同的合成圖像。此外，這部分計(jì)算不含可訓(xùn)練的參數(shù)，并且inference過程不需要進(jìn)行這部分的計(jì)算，因此不會(huì)帶來額外的時(shí)間或者資源開銷。 3. 損失函數(shù) 在訓(xùn)練過程中，應(yīng)用了三個(gè)約束條件來幫助訓(xùn)練收斂：一個(gè)經(jīng)典的歐式距離損失項(xiàng)來約束預(yù)測(cè)位姿和真值位姿的距離，歐式距離損失項(xiàng)此處不再贅述，直接給出公式如下：

? 當(dāng)視角變化較小且環(huán)境光不變時(shí)，同一個(gè)三維點(diǎn)在不同圖像中的光強(qiáng)應(yīng)該相同。這種光度一致性用于解決許多問題，如光流估計(jì)、深度估計(jì)、視覺里程計(jì)等。在這里，我們使用它來進(jìn)行絕對(duì)位姿估計(jì)，并光度差損失項(xiàng)公式化為warping計(jì)算后的圖像與原始圖像對(duì)應(yīng)像素點(diǎn)的光度差值： ?

其中，M是用來過濾沒有深度信息或者不服從光度一致性的像素。在我們的實(shí)驗(yàn)中，主要用它來屏蔽兩種類型的像素：移動(dòng)目標(biāo)對(duì)應(yīng)的像素和帶有無效深度信息的像素。光度差損失項(xiàng)會(huì)約束預(yù)測(cè)的位姿離真值位姿不遠(yuǎn)，以保證在相鄰圖像間進(jìn)行warping計(jì)算后重建的圖像與原始圖像對(duì)應(yīng)像素的光度值一致。考慮到warping計(jì)算后，獲得了視角重建后的圖像，自然而然的引入結(jié)構(gòu)相似性約束作為損失項(xiàng)。這個(gè)約束反映了場(chǎng)景結(jié)構(gòu)的一致性，計(jì)算公式如下所示：

網(wǎng)絡(luò)的損失函數(shù)定義為三個(gè)損失項(xiàng)的加權(quán)和，用三個(gè)加權(quán)系數(shù)進(jìn)行尺度均衡。

實(shí)驗(yàn)結(jié)果

為了驗(yàn)證我們提出的算法的性能，進(jìn)行了以下實(shí)驗(yàn)： 1. 與其他算法定位結(jié)果對(duì)比 在7Scene數(shù)據(jù)集中，除了MapNet[11]在chess場(chǎng)景中的表現(xiàn)稍好之外，我們的方法在其他場(chǎng)景都取得了最優(yōu)的結(jié)果(見table 1)。在所需的訓(xùn)練時(shí)間上，MapNet 需要300個(gè)epochs和PoseNet[2]需要多于120個(gè)epochs，我們的方法只需要50個(gè)epochs。同時(shí)，在室外的Oxford robotcar數(shù)據(jù)集上，我們的方法也取得了較大的定位精度提升。Figure2顯示了在7Scene中隨機(jī)挑選的場(chǎng)景的測(cè)試結(jié)果。很明顯，PoseNet的預(yù)測(cè)位姿噪聲較大，MapNet表現(xiàn)的更穩(wěn)定，但預(yù)測(cè)精度欠佳，我們的定位結(jié)果更為精確。

2. 損失項(xiàng)的消融實(shí)驗(yàn) 為了充分驗(yàn)證我們提出的光度差損失和SSIM損失對(duì)視覺定位算法性能提升的貢獻(xiàn)，分別進(jìn)行兩個(gè)訓(xùn)練：在PoseNet網(wǎng)絡(luò)的損失函數(shù)中加入光度差損失和SSIM損失后訓(xùn)練網(wǎng)絡(luò)。在我們的算法中去掉這兩項(xiàng)損失項(xiàng)，只在歐式距離的約束下訓(xùn)練網(wǎng)絡(luò)。結(jié)果表明加入光度差和SSIM損失項(xiàng)總是能提高網(wǎng)絡(luò)的定位性能（詳細(xì)結(jié)果見論文）。同時(shí)，也表明新的損失項(xiàng)可以靈活的加入其他網(wǎng)絡(luò)，用于進(jìn)一步提高定位精度。

3. 深度稀疏實(shí)驗(yàn) 實(shí)際視覺定位應(yīng)用中，并不總是有可靠的稠密深度可用，如果我們的算法在稀疏深度上依然可以表現(xiàn)的很好，則可以證明我們的方法具有較廣泛的適用性。我們把可用的深度隨機(jī)稀疏至原來的20%和60%后，重新訓(xùn)練網(wǎng)絡(luò)，最終的結(jié)果如Table3所示，定位精度并沒有被嚴(yán)重惡化。

4. 自監(jiān)督方法的實(shí)驗(yàn) 在進(jìn)行warping計(jì)算時(shí)，我們用了輸入兩幀圖像的位姿預(yù)測(cè)結(jié)果來計(jì)算相對(duì)位姿變換，進(jìn)而做warping計(jì)算，單就光度差和SSIM損失項(xiàng)來說，這是一種自監(jiān)督的學(xué)習(xí)方法，那么，也可以一幀圖像用預(yù)測(cè)結(jié)果，另一幀用真值來計(jì)算相對(duì)位姿變換。通過實(shí)驗(yàn)對(duì)比這兩種方法，實(shí)驗(yàn)結(jié)果（詳細(xì)結(jié)果見論文）表明，自監(jiān)督策略的結(jié)果更優(yōu)。除了網(wǎng)絡(luò)被訓(xùn)練的次數(shù)更多這一原因外，它有助于網(wǎng)絡(luò)以一種更自然的方式學(xué)習(xí)相機(jī)位姿的連續(xù)性和一致性，因?yàn)閷?duì)于共視的圖像，其相應(yīng)的位姿應(yīng)該是高度相關(guān)的。

結(jié)論與展望

本文提出了一種新的視覺定位算法，搭建一個(gè)新的網(wǎng)絡(luò)框架端到端的估計(jì)相機(jī)位姿，在對(duì)網(wǎng)絡(luò)約束關(guān)系的優(yōu)化中，通過融合3D場(chǎng)景幾何結(jié)構(gòu)、相機(jī)運(yùn)動(dòng)和圖像信息，引入了3D場(chǎng)景幾何約束，幫助監(jiān)督網(wǎng)絡(luò)訓(xùn)練，提高網(wǎng)絡(luò)的定位精度。實(shí)驗(yàn)結(jié)果表明，我們的方法優(yōu)于以往的同類型工作。并且，在不同的網(wǎng)絡(luò)中加入新的約束關(guān)系后可以進(jìn)一步提高定位精度。

基于深度學(xué)習(xí)的視覺定位算法正在被廣泛而又深入的研究，無論是提升算法的精度還是增強(qiáng)實(shí)際場(chǎng)景的適用性，各方面的嘗試和努力都是迫切需要的。希望在未來的工作中，能夠通過融入語義信息或者采用從粗到精多階段級(jí)連的方法，在室內(nèi)外場(chǎng)景上實(shí)現(xiàn)更高精度更加魯棒的位姿估計(jì),更多細(xì)節(jié)見論文.

論文原文：3D Scene Geometry-Aware Constraint for Camera Localization with Deep Learning 鏈接：https://arxiv.org/abs/2005.06147 參考文獻(xiàn) [1] Ke, Yan and R. Sukthankar. “PCA-SIFT: a more distinctive representation for local image descriptors.” Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2004. [2] A. Kendall, M. Grimes, and R. Cipolla, “Posenet: A convolutional network for real-time 6-dof camera relocalization,” in ICCV, 2015. [3] Bay, Herbert, et al. “Speeded-up robust features (SURF).” Computer vision and image understanding 110.3 (2008): 346-359.

[4] Rublee, Ethan, et al. “ORB:An efficient alternative to SIFT or SURF.” ICCV. Vol. 11. No. 1. 2011. [5] A. Kendall and R. Cipolla,“Modelling uncertainty in deep learning for camera relocalization,” ICRA, 2016. [6] I. Melekhov, J. Ylioinas, J. Kannala, and E. Rahtu, “Image-based localization using hourglass networks,” arXiv:1703.07971, 2017. [7] F. Walch, C. Hazirbas, et al.,“Image-based localization using lstms for structured feature correlation,” in ICCV, 2017. [8] Xue, Fei, et al. “Beyond Tracking: Selecting Memory and RefiningPoses for Deep Visual Odometry.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019

[9] A. Valada, N. Radwan, and W. Burgard, “Deep auxiliary learning for visual localization and odometry,” in ICRA, 2018. [10] N. Radwan, A. Valada, W. Burgard, “VLocNet++: Deep MultitaskLearning for Semantic Visual Localization and Odometry”, IEEE Robotics and Automation Letters (RA-L), 3(4): 4407-4414, 2018. [11] Brahmbhatt, Samarth, et al. “Geometry-aware learning of maps for camera localization.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. [12] A. Kendall and R. Cipolla, “Geometric loss functions for camera pose regression with deep learning,” CVPR, 2017. [13] Ma, Fang chang, Guilherme Venturelli Cavalheiro, and Sertac Karaman.“Self-supervised sparse-to-dense: Self-supervised depth completion from lidar and monocular camera.” 2019 International Conference on Robotics and Automation (ICRA). IEEE, 2019. [14] Zhou, Tinghui, et al. “Unsupervised Learning of Depth and Ego-Motion from Video.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. [15] Yin, Zhichao, and Jianping Shi. “Geonet: Unsupervised learning of dense depth, optical flow and camera pose.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018.

責(zé)任編輯：xj

原文標(biāo)題：機(jī)器視覺干貨 | 場(chǎng)景幾何約束在視覺定位中的探索

文章出處：【微信公眾號(hào)：機(jī)器人創(chuàng)新生態(tài)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。