A Neurosymbolic Approach to Adaptive Feature Extraction in SLAM

自主机器人、自主车辆和佩戴混合现实头戴式显示器的人们需要准确可靠的跟踪服务，以用于在动态变化的现实环境中进行安全关键应用。然而，现有的跟踪方法，如同时定位与映射（SLAM），尽管经过了广泛的手动调整，但对环境变化和边界条件的适应能力不佳。另一方面，虽然基于深度学习的方法可以更好地适应环境变化，但通常需要大量的训练数据，并且在适应新领域方面缺乏灵活性。为解决这个问题，我们提出了利用神经符号程序合成方法构建可适应的SLAM管道，将传统SLAM方法的领域知识与数据相结合来学习复杂关系。虽然该方法可以合成端到端的SLAM管道，但我们重点是合成特征提取模块。我们首先设计了一种领域特定语言（DSL），可以封装关于特征提取的重要属性和各种特征提取器的实际性能的领域知识。然后，我们的神经符号架构通过学习优化参数，同时采用符号推理来选择最合适的特征提取器，从而进行自适应特征提取。我们的评估表明，我们的方法，神经符号特征提取（nFEX），产生了更高质量的特征。它还将最先进的基线特征提取器ORB和SIFT的姿态误差分别降低了高达90%和66%，从而提高了系统的效率和对新环境的适应性。

提高SLAM跟踪服务的准确性和可靠性，同时适应动态变化的实际环境

利用神经符号程序综合方法构建可适应的SLAM流水线，将传统SLAM方法的领域知识与数据学习的复杂关系相结合，以适应新领域

提出了nFEX方法，通过学习和符号推理来选择最合适的特征提取器，减少了姿态误差，提高了系统的效率和适应性

最近的相关研究包括深度学习方法和传统SLAM方法的改进，如基于视觉的SLAM和语义SLAM等