针对基于静态场景假设的传统的同时定位与地图构建(simultaneous localization and mapping,SLAM)在动态场景中鲁棒性差、位姿估计准确率低的问题,提出了一种基于深度学习的语义视觉SLAM方法.该方法将语义分割技术与运动一致性检测算法...
详细信息
针对基于静态场景假设的传统的同时定位与地图构建(simultaneous localization and mapping,SLAM)在动态场景中鲁棒性差、位姿估计准确率低的问题,提出了一种基于深度学习的语义视觉SLAM方法.该方法将语义分割技术与运动一致性检测算法相结合,首先用Mask R-CNN网络对图像进行语义分割,建立动态对象的先验语义信息,然后通过运动一致性检测算法进一步剔除属于动态物体的特征点,最后用静态特征点进行特征匹配和位姿估计.基于慕尼黑工业大学(Technical University of Munich,TUM)公开数据集对系统进行实验,结果表明,该系统在动态环境中较传统的ORB-SLAM2系统和DS-SLAM系统明显降低了绝对轨迹误差和相对位姿误差,提高了SLAM系统位姿估计的准确性和鲁棒性.
最后一公里配送是指将包裹从仓库送至客户手中，是物流服务的关键一步。在最后一公里配送中进行路线和时间预测（route and time prediction， RTP），有利于提升物流系统效率并改善客户的体验。然而，实现准确的路线和时间预测面临巨...
详细信息
最后一公里配送是指将包裹从仓库送至客户手中，是物流服务的关键一步。在最后一公里配送中进行路线和时间预测（route and time prediction， RTP），有利于提升物流系统效率并改善客户的体验。然而，实现准确的路线和时间预测面临巨大的挑战。首先，快递员的配送路线和到达时间受到多源异质特征的影响，如快递员的个性化偏好、订单所在位置及下单时间、订单所在区域的类型及订单量等；其次，当前很多研究先预测配送路线再预测配送时间，但不准确的路线预测结果往往会对时间预测造成误差累积。针对上述挑战，提出了一种基于多关系图神经网络的路线与时间并行预测方法（multi-relational graph model for route and time parallel prediction， MRG4RTPP）。首先，构建包裹在位置和区域这两个层次上的时间、空间和转移模式多关系图，并设计双层次多关系图编码器提取多源异质特征，对包裹间的复杂时空关系进行建模。其次，创新性地提出基于状态转移的路线与时间并行解码方式，用于缓解误差累计问题，在每步解码中，基于快递员当前状态并行预测下一配送包裹及其到达时间，并基于预测结果更新快递员状态。在三个城市的真实物流配送数据集上进行了实验，结果表明MRG4RTPP在路线预测和时间预测任务上均达到了当前最优效果。
暂无评论