Titelaufnahme
Titelaufnahme
- TitelEvolving belief network for resource-efficient place recognition in unknown environments / von MS-CSE Syed Muhammad Ali Musa Kazmi; erster Gutachter: Prof. Dr. Erdal Kayacan, zweiter Gutachter: Prof. Dr. Sybille Hellebrand
- Autor
- Gutachter
- Erschienen
- Umfang1 Online-Ressource (xvi, 178 Seiten) Illustrationen, Diagramme
- HochschulschriftUniversität Paderborn, Dissertation, 2025
- AnmerkungTag der Verteidigung: 26.06.2025
- Verteidigung2025-06-26
- SpracheEnglisch
- DokumenttypDissertation
- Schlagwörter (GND)
- URN
- DOI
Links
- Social MediaShare
- Nachweis
- IIIF
Dateien
Klassifikation
Zusammenfassung
,,Place Recognition'' ist ein wesentlicher Bestandteil der Navigation in biologischen Systemen, z.B. bei Menschen. Hier entwickeln sich Fähigkeiten schrittweise im Unterbewusstsein, dadurch ist es eine herausfordernde Aufgabe, dieses Können einem technischen System beizubringen. Die Vielschichtigkeit der Aufgabe entsteht dadurch, dass Bewegungssensoren die Position eines Fahrzeugs nicht präzise schätzen können. Eine klassische Lösung dieses Problems ist, zusätzliche Sensoren, z.B. optische Kameras, einzusetzen und die Position des Fahrzeugs in einer geometrischen Karte zu verfolgen. Dagegen lernen biophysikalische Systeme Umgebungen ohne präzise geometrische Informationen mit Hilfe von visuellen Merkmalen. Inspiriert von diesem Eigenschaften führen viele moderne technische Systeme eine Kartierung im visuellen Bereich durch, um Fahrzeuge zu lokalisieren. Hier taucht die Szenenerkennung als einen Werkzeug für erscheinungsbasierte Kartenerstellung auf. Trotz umfangreicher Forschung auf dem Gebiet ,,Place Recognition'' sind bestehende Methoden von Offline-Training oder umgebungsbezogener Parameteroptimierung abhängig. In der Tat ist es unmöglich o.g. Anforderungen zu erfüllen, weil vorher nichts über die Umgebung bekannt ist. Vom Grund daher erfahren solche Systeme einen starken Leistungsabfall in unbekannten Umgebungen. In dieser Arbeit werden Herausforderungen des Online-Lernens und der Erkennung der Orten in unbekannten Gebieten betrachtet. Der biologischer Aspekt in dieser Arbeit besteht darin, die Stärken des menschlichen Seh- und Lernsystems zu nutzen. In diesem Zusammenhang werden visuelle Repräsentationen derSzene mit unterschiedlichen Gabor-Filtern extrahiert und mit der Nachbarschaft der Szene vereinigt. Um einen Online-Lernalgorithmus zu realisieren, wird ein evolutionäres, selbstorganisierendes neuronales Netzwerk entwickelt, welches das Konkurrenzverhalten der Zellen im visuellen und perirhinalen Kortex nachahmt. Anschließend wird das Place Recognition-Problem mithilfe der Bayesschen Statistik modelliert. Um eine Entscheidung für den Schleifenschluss zu treffen, wird die Aktivierungsstärke einer Sequenz hochaktiver Neuronen aufsummiert. Die Leistungsfähigkeit des Algorithmus wird mit verschiedenen Standardtestsequenzen getestet. Im Vergleich zu besten Verfahren (i.e. SeqSLAM) erzielt unser Algorithmus 15,2% hohe Erkennungsgenauigkeit und 42,5% schnellere Ausführungsgeschwindigkeit auf Strecken mit einer Länger von bis zu ca. 18km.
Abstract
Remembering and recalling places is an essential part of navigation in biological systems, e.g., humans. While these skills develop progressively in a subconscious mind, teaching technical systems the mastery of navigation is a challenging task. The complexity of the matter arises from the fact that the position of a vehicle can not be precisely estimated using motion sensors. A conventional way to tackle this problem is to use additional sensors, such as an optical camera, and track the geometric pose of the vehicle in a Cartesian map. The geometric notion of mapping places is contrary to how biophysical systems learn the mental map of environments using visual cues. Being inspired from this characteristic, many state-of-the-art technical systems perform mapping in the space of visual appearance to locate the vehicle. This is where place recognition emerges as a tool for appearance-based mapping. Despite ample research in place recognition, the mainstream methods rely on offline training or environment-related parameter tuning. Fulfilling such demands is impractical in unknown scenarios, as nothing is known beforehand about the environment. As a result, these systems undergo severe performance degradation when deployed in a previously unseen environment. In this research, we addressed the challenges of online visual learning and place recognition in unknown environments. The biological aspect of this work is to exploit the strengths of human vision and learning system. In this regard, we captured the human-like scene representation using a bank of Gabor filters and fused the nearby context to obtain the visual description of a place. To realize on-the-fly visual learning, an evolutionary version of the self-organizing neural network is proposed, which mimics the competitive behavior of the cells found in visual and perirhinal cortices.Given the incrementally trained network, the place recognition challenge is modeled using Bayesian statistics. Thus, each neuron in the evolving network possesses a belief of representing the query place. For the decision of loop-closure event, we aggregate the activation strength of a sequence of highly active neurons, which we called the expected network activity. The algorithm's performance is demonstrated on various challenging test sequences, which are recorded at different daytimes, under extreme lighting conditions and in presence of dynamic objects. Compared to the best baseline method (i.e. SeqSLAM), our algorithm delivers 15.2% higher place recognition accuracy and 42.5% improved runtime on the routes as large as ~18km.
Inhalt
Statistik
- Das PDF-Dokument wurde 2 mal heruntergeladen.
Lizenz-/Rechtehinweis
