Improving Visual Place Recognition Based Robot Navigation Through Verification of Localization Estimates

这项研究提出了一种新颖的多层感知器（MLP）完整性监测器，用于视觉地点识别（VPR）系统，表现出比先前最先进的支持向量机（SVM）方法更好的性能和通用性，消除了针对每个环境的训练和减少了手动调整要求。我们在广泛的实际实验中测试了我们提出的系统，其中我们还提出了两种实时基于完整性的VPR验证方法：一个是针对导航到目标区域的机器人的瞬时拒绝方法（实验1）；另一个是历史方法，从最近的轨迹中取出最佳的验证匹配，并使用里程表向前推算到当前位置估计（实验2）。实验1的值得注意的结果包括，在机器人完成任务的任务中，沿轨迹目标误差的平均值从约9.8米下降到约3.1米，成功完成任务的总体比率从约41%提高到约55%。实验2显示，沿轨迹本地化误差的平均值从约2.0米下降到约0.5米，并且本地化尝试的总体精度从约97%提高到约99%。总的来说，我们的结果表明，在实际机器人技术中，VPR完整性监测器的实际用途，可以提高VPR定位和随后的导航性能。

本论文旨在解决视觉地点识别（VPR）系统的性能问题，提出了一种新颖的多层感知器（MLP）完整性监视器，旨在提高VPR的性能和普适性。

本文提出了一种新的完整性监视器，使用MLP代替先前的SVM方法，消除了每个环境的训练并减少了手动调整要求，从而提高了VPR的性能和普适性。

本文在广泛的实际实验中测试了所提出的系统，并提出了两种实时基于完整性的VPR验证方法。实验结果表明，完整性监视器可以显着提高VPR的本地化和导航性能。

近期的相关研究包括：1.基于深度学习的VPR方法；2.使用图像检索的VPR方法；3.使用激光雷达和图像的融合方法等。