我們提出了一個(gè)魯棒的實(shí)時(shí)單目六自由度視覺重定位系統(tǒng)。利用貝葉斯卷積神經(jīng)網(wǎng)絡(luò)對單RGB圖像的6自由度攝像機(jī)姿態(tài)進(jìn)行回歸。它以端到端的方式進(jìn)行培訓(xùn)，不需要額外的工程或圖形優(yōu)化。該算法可在室內(nèi)外實(shí)時(shí)運(yùn)行，計(jì)算時(shí)間不超過6ms。對于非常大的室外場景，它可獲得大約2米和6度的精度，而對于室內(nèi)場景，它可獲得0.5米和10度的精度。利用貝葉斯卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法，我們得到了模型的再定位不確定性估計(jì)，并提高了大規(guī)模戶外數(shù)據(jù)集的定位精度。我們利用不確定性度量來估計(jì)度量重定位誤差，并檢測輸入圖像中場景的存在與否。結(jié)果表明，模型的不確定性是由圖像在姿態(tài)和外觀上與訓(xùn)練數(shù)據(jù)集的不一致引起的。

　　現(xiàn)代同步定位與映射（SLAM）系統(tǒng)在增強(qiáng)現(xiàn)實(shí)和國內(nèi)機(jī)器人等領(lǐng)域有著良好的應(yīng)用前景〔1〕，但由于其無法應(yīng)對大視角或外觀的變化，在野外還沒有得到廣泛的應(yīng)用。視覺SLAM使用的點(diǎn)標(biāo)記，例如SIFT［2］或ORB［3］，無法創(chuàng)建對這些具有挑戰(zhàn)性的場景足夠健壯的表示。密集SLAM系統(tǒng)［4］、［5］試圖直接從像素估計(jì)相機(jī)的運(yùn)動(dòng)，但在這些情況下也是脆弱的。他們對幀之間微小變化的假設(shè)隨著大視角或外觀的變化而中斷。除了這些缺點(diǎn)之外，這兩種度量SLAM框架都需要良好的初始姿態(tài)估計(jì)，以便能夠連續(xù)跟蹤相機(jī)的姿態(tài)，并且在重新定位時(shí)無效。一個(gè)互補(bǔ)的系統(tǒng)，基于外觀的SLAM，可以重新定位到一個(gè)粗略的姿態(tài)估計(jì)，但被限制在有限數(shù)量的離散位置中對場景進(jìn)行分類。這是通過使用具有FAB-MAP的SIFT〔2〕特征〔6〕或使用卷積神經(jīng)網(wǎng)絡(luò)特征〔7〕來實(shí)現(xiàn)的。