近日，机械工程学部青年教师李振雨博士围绕面向复杂极端环境移动机器人位置识别方法的研究成果发表在《IEEE Transactions on Industrial Informatics》（中科院一区Top期刊，IF: 11.7）、《IEEE Transactions on Intelligent Transportation Systems》（中科院一区Top期刊，IF: 7.9）等学术期刊。李振雨为文章的第一作者和通讯作者，上海交通大学、同济大学和上海应用技术大学为研究成果的合作单位。
在《IEEE Transactions on Industrial Informatics》发表的论文“Toward Robust Visual Place Recognition for Mobile Robots With an End-to-End Dark-Enhanced Net”，以低光照下环境的移动机器人位置识别为研究对象，通过训练一个轻量级低光照增强网络，利用残差连接的对抗学习模型方法有效改善图像照度质量。在此基础上，构建了双级采样的金字塔变换器，通过聚合重构描述符提取判别特征。此外，还构建了一种基于交叉熵损失的重排名网络，进一步提升位置识别的精度。技术路线如图1所示。
图1 基于低光照增强网络的移动机器人位置识别技术路线
在《IEEE Transactions on Intelligent Transportation Systems》发表的论文“Feature-Level Knowledge Distillation for Place Recognition Based on Soft-Hard Labels Teaching Paradigm”，以全天候机器人位置识别为研究对象，通过从几个“教师网络”到孪生“学生网络”的知识迁移，学习一个紧凑、快速的全天位置识别器。根据环境的复杂程度，“教师网络”可以通过软、硬标签两种教学范式向两类学生迁移知识。为了平衡计算内存和性能，“教师网络”被设计为一个两级采样视觉Transformer管道，而孪生“学生网络”被设计为轻量级管道。技术路线如图2所示。
图2 基于软硬兼施教学范式的移动机器人位置识别技术路线
在《Neurocomputing》发表的论文“CSPFormer: A cross-spatial pyramid transformer for visual place recognition”，构建了一种跨空域金字塔转换器，通过将CNN金字塔特征与Transformer多尺度特征融合加权，实现跨空间特征表征。在此基础上，构建多重自注意层，强化多尺度视觉描述符的长期依赖性，降低计算成本，实现更高效的移动机器人视觉位置识别。技术路线如图3所示。
图3 基于跨空域金字塔模型的移动机器人位置识别技术路线
论文链接：1.https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10726589；
2.https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10759546；
3.https://www.sciencedirect.com/science/article/pii/S0925231224002431。
友情链接：
