Descriptor Distillation for Efficient Multi-Robot SLAM

要約

低レベルの通信帯域幅を維持しながら正確なローカリゼーションを実行することは、マルチロボット同時ローカリゼーションおよびマッピング (MR-SLAM) の重要な課題です。
この論文では、最小の推論時間でコンパクトでありながら識別可能な特徴記述子を生成することにより、この問題に取り組みます。
教師と生徒の枠組みの下で記述子生成を学習問題に定式化する記述子蒸留を提案します。
リアルタイムの記述子生成を実現するために、コンパクトな学生ネットワークを設計し、事前にトレーニングされた大規模な教師モデルから知識を転送することで学習します。
教師から生徒への記述子の次元を減らすために、2 つの異なる次元の記述子間の知識の伝達を可能にする新しい損失関数を提案します。
実験結果は、私たちのモデルが最先端のモデルよりも 30% 軽量であり、パッチ マッチングでより優れた記述子を生成することを示しています。
さらに、提案された方法に基づいてMR-SLAMシステムを構築し、記述子蒸留がより低い帯域幅でMR-SLAMのより高い位置特定パフォーマンスを達成できることを示します。

要約(オリジナル)

Performing accurate localization while maintaining the low-level communication bandwidth is an essential challenge of multi-robot simultaneous localization and mapping (MR-SLAM). In this paper, we tackle this problem by generating a compact yet discriminative feature descriptor with minimum inference time. We propose descriptor distillation that formulates the descriptor generation into a learning problem under the teacher-student framework. To achieve real-time descriptor generation, we design a compact student network and learn it by transferring the knowledge from a pre-trained large teacher model. To reduce the descriptor dimensions from the teacher to the student, we propose a novel loss function that enables the knowledge transfer between two different dimensional descriptors. The experimental results demonstrate that our model is 30% lighter than the state-of-the-art model and produces better descriptors in patch matching. Moreover, we build a MR-SLAM system based on the proposed method and show that our descriptor distillation can achieve higher localization performance for MR-SLAM with lower bandwidth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google