融合歧义感知的检索式问答方法

针对多义词在不同上下文中语义表达不一致的问题,提出了一个融合歧义感知的问答模型,即模型在问题-候选答案的语义匹配过程中,与外部知识源相结合,动态识别并检测出每个多义词在不同场景下的语义,并将检测到的语义信息进行特征编码后融合到语义匹配任务中,使模型能够更为准确地理解每个词的精准含义,从而做出更为精准的匹配判断.在歧义感知模型的设计上,采用基于Transformer的深度语义编码器,使其能够更加全方位地抓取到待分析歧义词以及知识源的深度语义特征,从而做出更加准确的语义消歧.在标准检索式问答数据集上(Wiki QA和TrecQA)的实验结果表明,所提出的歧义感知的问答方法能够有效融合到多个基线模型中,并捕捉到多义词在不同语境中的精准语义,使其在包含公开数据集上的问答性能MAP评估高于对应基线模型约1%,且该语义特征使得基于BERT的文本相似性匹配模型的性能优于当前先进的其它模型.

基于改进闭环检测算法的视觉同时定位与地图构建

针对视觉同时定位与地图构建(SLAM)中容易由误差累积导致构建地图不一致的问题,提出了一种基于改进闭环检测算法的视觉SLAM(V-SLAM)系统。为了减小移动机器人长时间运行带来的累计误差,引入一种改进的闭环检测算法,改进相似性得分函数,减小感知歧义,提高闭环的识别率;同时为了减小计算量,通过Kinect直接获取环境图像以及深度信息,并采用计算量小、鲁棒性好的ORB特征进行特征提取和匹配;采用随机抽样一致性(RANSAC)算法进行误匹配删除,从而获得更准确的匹配点对,然后用PnP计算出相机位姿;更稳定、准确的初始估计位姿对后端处理至关重要,利用g2o对位姿进行无结构的迭代优化;最后在后端采用以集束调整(BA)为核心的图优化方法对位姿和路标进行优化。最终实验结果表明该系统能够满足实时性要求,并可以获得更加准确的位姿估计。

一种基于历史模型集的改进闭环检测算法

为了提高移动机器人同时定位与地图创建(SLAM)问题中闭环检测的准确率和实时性,提出了一种基于历史模型集的改进闭环检测算法.首先,在基于Kinect传感器的帧到模型配准模型的基础上,增加特征描述向量并使用加权方法对其进行更新,从而构建历史模型集,并利用视觉词典树(visual vocabulary tree)对历史模型集和当前帧数据进行场景描述;其次,以反比例函数代替最小值函数,使两幅图像在单个节点的相似性得分函数得以优化,从而得到改进的金字塔TF-IDF(词频-逆向文件频率)得分匹配方法.一方面,改进方法能够减少感知歧义,提高闭环检测的准确率;另一方面,利用改进方法对当前帧数据与历史模型集的从属关系进行有效判断,与传统逐帧比较方法相比,比较次数明显减少,闭环检测的实时性得到较大提高.再次,使用改进的金字塔TF-IDF得分匹配方法对当前帧数据和候选历史模型集所包含的关键帧进行相似性分析,进而提取候选闭环;最后,从时间连续性和对极几何约束两个方面剔除误正闭环.数据集和实际场景对比实验均表明,相比于IAB-MAP(incremental appearance-based mapping)、FAB-MAP(fast appearance-based mapping)和RTAB-MAP(real-time appearance-based mapping),本文的闭环检测算法具有更好的实时性,且在确保100%准确率的情况下,具有更高的召回率.

基于空间位置不确定性约束的改进闭环检测算法

针对在多歧义场景下移动机器人VSLAM(visual simultaneous localization and mapping)的闭环检测问题,提出了一种基于空间位置不确定性约束的改进闭环检测算法.首先针对ICP(迭代最近点)算法点云配准环节提出新的距离函数,弥补了欧氏距离与马氏距离的不足.其次,基于特征点的空间位置不确定性,建立视觉里程计累积误差模型并采用卡尔曼滤波减小误差.然后,根据视觉里程计累积误差模型给出闭环检测的空间范围约束.最后,根据闭环检测结果修正累积误差,进一步缩小闭环检测范围.一方面,改进算法限制了闭环检测的范围,提高了实时性;另一方面,空间约束有效排除了大部分的感知歧义,提高了闭环检测的准确率.数据集和实际场景下的对比实验均表明,对于感知歧义场景,本文提出的闭环检测算法在保证一定的召回率下,准确率明显高于IAB-MAP、FAB-MAP和RTAB-MAP,并且表现出良好的实时性;对于复杂室内场景,本文算法也有着较好的实时性和准确率.