Skip to content

jx1100370217/MemoryNav

BranchesTags

Repository files navigation

🧠 MemoryNav

视觉记忆导航系统 | Visual Memory Navigation System

License Python PyTorch Version

基于视觉位置识别（VPR）和拓扑地图的机器人记忆导航系统

English | 日本語 | 한국어 | 中文

📖 简介

MemoryNav 是一个面向移动机器人的视觉记忆导航系统。系统通过 4 个环视鱼眼相机采集图像，利用 VPR 技术在预建的拓扑记忆图中定位，结合 YOLOv8n 视觉遮挡检测和 Qwen3.5-9B 视觉语言模型进行兜底打点导航，实现"记住去过的地方，再走一次"的记忆导航能力。

核心能力

  • 🔍 多方案 VPR 定位：支持 4 种 SOTA 视觉位置识别方案，统一配置文件一键切换
  • 🗺️ 拓扑记忆图：自动从标注数据构建节点-边拓扑图，支持最短路径规划
  • 🔄 循环移位匹配：4 相机循环移位算法，支持任意朝向下的定位与偏转角估计
  • 🎯 DINOv3 子图匹配：基于 DINOv3 密集 patch 特征的子图定位，滑动窗口余弦相似度匹配，实时在相机图中定位导航目标
  • 💾 子图匹配缓存：匹配失败时自动延用上一帧的成功结果，提升导航连续性
  • 🔭 Lookahead 双重确认：步骤切换时同时验证 VPR 定位和下一步子图匹配，避免过早 advance
  • 📤 统一输出格式：记忆模式开关两种状态下输出格式一致，始终提供 pixel_target
  • 🚧 YOLOv8n 遮挡检测：VPR/子图匹配失败时自动检测相机画面是否被遮挡（行人、物体等），遮挡时原地等待，消除后继续导航
  • 🤖 Qwen3.5 兜底打点：VPR/子图匹配失败且未遮挡时自动切换 Qwen3.5-9B 视觉语言模型打点定位，直接使用中文地标名称
  • 📷 鱼眼去畸变：自动从 cam/params.yaml 加载相机内参，对输入图像做柱面投影去畸变，提升 VPR 及子图匹配精度
  • 🧭 像素→机器人坐标转换：将 pixel_target 归一化坐标经柱面角度、相机方位角、俯仰角估距完整管线，转换为机器人运动坐标 [x_forward, y_lateral, 0.0]
  • 🌐 WebSocket 服务：实时流式接收图像、返回导航指令
  • ⚙️ 统一配置管理：所有 VPR 参数集中在 deploy/vpr_config.yaml，一处修改全局生效

🏗️ 系统架构

MemoryNav/
├── cam/                            # 多目鱼眼相机 ROS2 节点
│   ├── params.yaml                 # 相机内参 & 外参配置 (T_ic, intrinsics, distortion)
│   ├── fisheye_undist.h            # 鱼眼去畸变（GPU 版, CUDA）
│   ├── main.cc / main.h            # ROS2 节点主程序
│   ├── video.h                     # V4L2 视频采集
│   └── tools/                      # 独立工具（无 ROS2/CUDA 依赖）
│       ├── fisheye_undist_cpu.h    # CPU 版去畸变（numpy/cv2 移植基础）
│       ├── fisheye_to_cylindrical.cpp  # 鱼眼转柱面命令行工具
│       └── batch_undistort.py      # 批量去畸变脚本
├── deploy/                         # 部署模块
│   ├── vpr_config.yaml             # VPR 统一配置文件
│   ├── memory_nav/                 # 核心记忆导航包
│   │   ├── vpr_config_loader.py    # 统一配置加载器
│   │   ├── memory_models.py        # 数据模型 (Node, Edge, Plan, VPRResult)
│   │   ├── memory_graph.py         # 拓扑图 (BFS/Dijkstra 路径规划)
│   │   ├── memory_vpr.py           # VPR 匹配引擎 (循环移位 + 无序匹配)
│   │   ├── memory_builder.py       # 记忆构建器 (从标注数据构建拓扑图)
│   │   ├── memory_navigator.py     # 导航器主接口
│   │   ├── sub_image_matcher.py    # 子图匹配器 (DINOv3 密集特征匹配)
│   │   ├── fisheye_undistort.py    # 🆕 鱼眼去畸变 (移植自 cam/tools/fisheye_undist_cpu.h)
│   │   ├── coord_transform.py      # 🆕 像素→机器人坐标转换 (柱面投影完整管线)
│   │   ├── occlusion_detector.py    # 🆕 YOLOv8n 遮挡检测器
│   │   ├── qwen35_point_grounder.py # Qwen3.5 打点封装 (兜底模型)
│   │   ├── qwen35_grounding_server.py # Qwen3.5 子进程推理服务
│   │   ├── vpr_factory.py          # VPR 提取器工厂
│   │   ├── anyloc_extractor.py     # AnyLoc (DINOv2 + VLAD)
│   │   ├── megaloc_extractor.py    # MegaLoc (DINOv2 + OT聚合)
│   │   ├── effovpr_extractor.py    # EffoVPR (DINOv2 多层CLS token)
│   │   └── selavpr_extractor.py    # SelaVPR++ (DINOv2 + MultiConv)
│   ├── ws_proxy_with_memory.py     # WebSocket 代理服务 (主入口)
│   └── build_memory.sh             # 记忆构建脚本
├── internnav/                      # InternNav 导航框架
├── scripts/                        # 工具脚本
│   └── memory_visualization_server.py  # 记忆图可视化服务 (含子图匹配验证 + 模型打点验证 + 遮挡检测验证)
├── tests/                          # 测试
│   ├── test_memory_nav.py          # 记忆模块单元测试
│   └── test_memory_ws.py           # WebSocket 集成测试 (详细日志版)
└── docs/                           # 文档

📷 鱼眼去畸变

系统在 VPR 匹配和子图匹配前，自动对 4 路鱼眼图像进行柱面投影去畸变：

工作原理

  1. 启动时从 cam/params.yaml 加载各相机内参（xi, fx, fy, cx, cy）和畸变系数（k1, k2, p1, p2）
  2. 每个相机预计算一次 remap 查找表（柱面投影 + pitch_up 视角偏移）
  3. 每帧推理前调用 cv2.remap 完成去畸变，计算开销极低
  4. 若 cam/params.yaml 不存在，自动跳过去畸变，不影响服务启动
from deploy.memory_nav.fisheye_undistort import FisheyeUndistorter

undistorter = FisheyeUndistorter.from_yaml("cam/params.yaml")
# 批量去畸变 4 路相机图像
perspective_images = undistorter.undistort_batch(camera_images)

🧭 像素→机器人坐标转换

将 pixel_target: [x_norm, y_norm] 通过完整物理管线转换为机器人运动坐标 [x_forward, y_lateral, 0.0]：

转换管线

x_norm → 柱面水平角 → + 相机方位角 → 全局 yaw
y_norm → 柱面垂直角 → 俯仰角 → 距离估算（相机高度 + pitch_up）
yaw + distance → (x_forward, y_lateral)

参数配置（coord_transform.py）

参数 默认值 说明
DEFAULT_FOV 180° 柱面图视场角
DEFAULT_WIDTH 1920 柱面图宽度
DEFAULT_HEIGHT 1536 柱面图高度
DEFAULT_CAMERA_HEIGHT 1.0m 相机距地面高度
DEFAULT_PITCH_UP 15° 去畸变 pitch_up 偏移角
MIN_DISTANCE / MAX_DISTANCE 0.3m / 30.0m 距离估算范围

相机方位角（硬编码，从 cam/params.yaml T_ic 计算）

相机 方位角
camera_1 +39.42°
camera_2 −35.84°
camera_3 −142.04°
camera_4 +143.52°

响应新增字段

坐标转换结果附加在 memory_info.coord_transform 中：

"memory_info": {
    "coord_transform": {
        "yaw_global_deg": -12.3,
        "depression_deg": 8.5,
        "distance": 2.4,
        "elapsed_ms": 0.3
    }
}

🎯 子图匹配导航

基于 DINOv3 密集 patch 特征的子图匹配导航方案：

工作原理

  1. 记忆构建时：为每条边标注 camera_name（目标所在相机）和 crop_image（注意力子图）
  2. 导航执行时：从记忆中取出 crop 子图，在当前对应相机的实时画面中进行密集特征匹配
  3. 目标定位：DINOv3 ViT-B/16 提取密集 patch token → 滑动窗口 + unfold 加速 → 余弦相似度最大位置 → 输出为 pixel_target
  4. 匹配阈值：置信度 ≥ 0.6 视为匹配成功
  5. 缓存机制：匹配失败时自动延用上一帧的成功匹配结果，步骤切换时清空缓存
  6. 回退机制：匹配失败且无缓存时，使用记忆中的 pixel_box 作为估计值

边数据结构

edge:
  camera_name: "camera_2"              # 目标所在相机
  landmark_name: "电梯"                 # 地标名称
  pixel_box: [120, 80, 200, 160]       # (x, y, w, h) 像素框
  crop_image_path: "crop_elevator.jpg"  # 注意力子图

输出格式

所有响应统一包含 pixel_target: [x, y]（归一化 0~1）及机器人运动 action：

场景 pixel_target 来源 action 来源 memory_active
记忆关闭 + InternVLA 推理 output_pixel / 图像尺寸 InternVLA 输出 不输出
记忆开启 + 子图匹配成功 sub_image_match.match.center_pct coord_transform true
记忆开启 + 子图匹配失败 延用上一帧缓存 coord_transform true
记忆开启 + Qwen3.5 兜底 Qwen3.5 打点归一化坐标 coord_transform true
记忆开启 + 遮挡检测 无（原地等待） [0, 0, 0] true

🚧 遮挡检测

当 VPR 匹配失败且子图匹配失败时，系统自动对注意力相机执行遮挡检测，判断是否因视觉遮挡导致：

工作原理

  1. 遮挡检测相机选择：使用子图匹配得分最高（但低于阈值）的 camera，而非静态的 step.camera_name，更准确反映注意力区域实际所在
  2. YOLOv8n 推理：检测画面中的近距离前景物体（person、backpack、umbrella 等），计算 bbox 面积占比
  3. 遮挡判定：单个遮挡物面积占比 ≥ 35% → 判定为遮挡
  4. 遮挡时行为：输出 action: [0, 0, 0]（原地等待），下一帧继续检测
  5. 未遮挡时行为：使用 Qwen3.5 打点（landmark_name）继续导航

导航决策流程

VPR 匹配成功:
  ├─ 匹配到目标节点 → Lookahead 双重确认 → advance
  └─ 匹配到其他节点 → 继续当前步骤记忆引导

VPR 匹配失败:
  ├─ YOLOv8n 遮挡检测 (对子图匹配得分最高的 camera)
  │   ├─ 遮挡 → action=[0,0,0] 原地等待
  │   └─ 未遮挡 → Qwen3.5 打点(landmark_name) 继续导航
  │              └─ 打点也失败 → 重发记忆引导

响应新增字段

遮挡检测结果附加在 memory_info 中：

"memory_info": {
    "phase": "occluded",
    "consecutive_occlusions": 3,
    "occlusion": {
        "occluded": true,
        "max_area_ratio": 0.42,
        "total_area_ratio": 0.42,
        "detections": [
            {"class_name": "person", "confidence": 0.87, "area_ratio": 0.42}
        ],
        "reason": "person 占画面 42.0% (>= 35% 阈值)"
    }
}

✨ VPR 方案对比

MemoryNav 支持 4 种 VPR 方案，通过 deploy/vpr_config.yaml 统一切换：

方案 参数值 发表 特征维度 Backbone 特点
SelaVPR++ ⭐ selavpr T-PAMI 2025 4096D DINOv2-L + MultiConv 推荐方案，支持 hashing+rerank，官方最强配置
MegaLoc megaloc CVPR 2025 8448D DINOv2-B + OT聚合 综合性能最强，多数据集 SOTA
EffoVPR effovpr arXiv 2024 3072D DINOv2-B 多层CLS 轻量快速，适合实时场景
AnyLoc anyloc RA-L 2023 可配置 DINOv2-B + VLAD 经典稳定，聚类数可调

⚙️ 统一配置

所有 VPR 相关参数集中在 deploy/vpr_config.yaml 中管理，修改后重启服务即可生效：

# VPR 方法: selavpr | megaloc | effovpr | anyloc
vpr_method: selavpr

# GPU 设备
device: "cuda:0"

# VPR 相似度阈值 (各方案独立设置)
similarity_threshold:
  selavpr: 0.60
  megaloc: 0.60
  effovpr: 0.80
  anyloc: 0.70

# SelaVPR++ 专用配置
selavpr:
  backbone: dinov2-large      # dinov2-base (2048D) 或 dinov2-large (4096D)
  aggregation: gem            # gem, boq, salad
  use_hashing: true           # 开启深度哈希
  use_rerank: true            # 开启重排 (需 use_hashing=true)

# AnyLoc 专用配置
anyloc:
  dino_model: dinov2_vitb14
  agg_mode: vlad
  num_clusters: 32
  domain: indoor
  max_img_size: 630

切换方案只需修改 vpr_method 一行，以下模块自动读取统一配置：

  • ws_proxy_with_memory.py — WebSocket 导航服务
  • memory_visualization_server.py — 可视化服务
  • memory_builder.py / memory_navigator.py — 核心模块
  • build_memory.sh — 构建脚本

⚠️ 切换 VPR 方案后需要重新构建记忆缓存：bash deploy/build_memory.sh

🚀 快速开始

安装

git clone https://github.com/jx1100370217/MemoryNav.git
cd MemoryNav
pip install -r requirements/base.txt
pip install -e .

配置相机参数（可选）

如有实体相机，将标定文件放置为 cam/params.yaml，服务启动时自动加载鱼眼去畸变。

配置 VPR 方案

编辑 deploy/vpr_config.yaml，选择你需要的 VPR 方案和参数。

构建记忆库

# 自动从 vpr_config.yaml 读取 VPR 方案
bash deploy/build_memory.sh

# 或指定参数覆盖
bash deploy/build_memory.sh --method megaloc --gpu 0

启动导航服务

# 自动从 vpr_config.yaml 读取配置
python deploy/ws_proxy_with_memory.py

Python API

from deploy.memory_nav import MemoryNavigator

# 自动使用 vpr_config.yaml 中的配置
navigator = MemoryNavigator(vpr_method='selavpr', device='cuda:0')
navigator.load_memory(path='memory_cache.pkl', data_dir='merged_labeled_data')

# VPR 定位
images = {'camera_1': img1, 'camera_2': img2, 'camera_3': img3, 'camera_4': img4}
features = {cam: navigator.extractor.extract(img) for cam, img in images.items()}
result = navigator.vpr.locate(features)
print(f"定位: {result.matched_node_name}, 相似度: {result.similarity:.4f}")

# 规划导航
plan = navigator.navigate_to("前台", camera_images=images)
for step in plan['plan']['steps']:
    print(f"  → {step['to_node']['name']}, camera={step['camera_name']}, landmark={step['landmark_name']}")

# 子图匹配（导航执行中）
match = navigator.match_current_step(images)
if match and match['match']['found']:
    center = match['match']['center_pct']
    print(f"目标定位: ({center['x']:.3f}, {center['y']:.3f})")

📡 WebSocket 协议

请求格式

{
    "id": "robot_01",
    "pts": 1709558400,
    "task": "导航到前台",
    "images": {
        "front_1": "<base64>",
        "camera_1": "<base64>",
        "camera_2": "<base64>",
        "camera_3": "<base64>",
        "camera_4": "<base64>"
    }
}

响应格式

{
    "status": "success",
    "id": "robot_01",
    "task_status": "executing",
    "action": [[0.5, -0.1, 0.0]],
    "pixel_target": [0.485, 0.521],
    "memory_active": true,
    "camera_name": "camera_2",
    "landmark_name": "电梯",
    "memory_info": {
        "phase": "verifying",
        "current_step": 1,
        "total_steps": 3,
        "from_node": "大厅",
        "to_node": "前台",
        "vpr_similarity": 0.85,
        "vpr_confidence": 0.85,
        "vpr_matched_node": "node_5",
        "heading_offset": -37.5,
        "consecutive_misses": 0,
        "lookahead_conf": 0.68,
        "lookahead_found": true,
        "coord_transform": {
            "yaw_global_deg": -12.3,
            "depression_deg": 8.5,
            "distance": 2.4,
            "elapsed_ms": 0.3
        }
    },
    "sub_image_match": {
        "camera_name": "camera_2",
        "landmark_name": "电梯",
        "match": {
            "found": true,
            "confidence": 0.92,
            "center_pct": {"x": 0.485, "y": 0.521},
            "top_left_pct": {"x": 0.302, "y": 0.358},
            "bottom_right_pct": {"x": 0.668, "y": 0.684}
        }
    }
}

控制命令

命令 说明
reset 重置 Agent 和记忆状态
toggle_memory 切换记忆导航开关
memory_status 查看记忆导航详情
reset_memory 仅重置记忆状态
session_status 查看会话状态

📐 相机布局

系统使用 4 个鱼眼相机（等角投影，HFOV=190°）：

            前方 (0°)
              ↑
     cam_1 (-37.5°)  cam_2 (+37.5°)
              │
     cam_4 (-142.5°) cam_3 (+142.5°)
              ↓
            后方 (180°)

循环移位匹配支持 4 种朝向偏移：0°, -75°, 180°, +105°

🧪 测试

# 单元测试
python -m pytest tests/test_memory_nav.py -v

# WebSocket 集成测试 (含逐帧决策日志 + 统计报告)
python tests/test_memory_ws.py

测试输出包含：

  • 📊 逐帧详情（VPR 匹配、子图匹配置信度、lookahead 置信度、camera、action、决策类型）
  • 📋 统计报告（VPR 匹配率、子图匹配率、Lookahead 双重确认统计、节点分布、决策分布）

📋 更新日志

v2.0.0

  • 🆕 YOLOv8n 遮挡检测：新增 deploy/memory_nav/occlusion_detector.py，VPR/子图匹配失败时自动检测视觉遮挡
    • 使用 YOLOv8n（6MB）检测 person、backpack、umbrella、handbag、suitcase 等近距离前景物体
    • 遮挡判定基于 bbox 面积占比（默认阈值 35%），GPU 推理 ~30ms
    • 遮挡时输出 action: [0, 0, 0] 原地等待，遮挡消除后自动恢复导航
    • 未遮挡时使用 Qwen3.5 打点（landmark_name）继续导航
  • 🔄 导航决策简化：移除旧的趋势判断方案（Case B 跳步 / Case C 重规划 / Case D 相似度趋势检测）
    • VPR 匹配到非目标节点 → 统一继续当前步骤（取代复杂的跳步/重规划逻辑）
    • VPR 丢失 → 遮挡检测 + Qwen3.5 兜底打点（取代不可靠的趋势判断）
  • 🎯 子图匹配 best_fail_camera：match_current_step() 在全部失败时记录得分最高的 camera，遮挡检测使用该 camera 而非静态 step.camera_name
  • 🖥️ 可视化新增遮挡检测 Tab：memory_visualization_server.py 新增 🚧 遮挡检测验证 Tab
    • 上传相机图片，可调面积阈值和 YOLO 置信度
    • 实时展示检测框、面积占比、遮挡判定结果

v1.9.0

  • 🔭 Lookahead 双重确认：步骤切换条件从单一 VPR 匹配升级为 VPR + 下一步子图匹配双重确认
    • 每帧对当前步骤和下一步同时做子图匹配（lookahead 不走缓存逻辑）
    • VPR 匹配到目标节点时，需下一步子图匹配成功（conf >= threshold）才 advance
    • 最后一步无需 lookahead，直接 advance
    • 新增 VPR HELD 状态：VPR 到了但 lookahead 未确认，暂缓切换
  • 🎯 子图匹配阈值统一：SUB_MATCH_CONFIDENCE_THRESHOLD 作为唯一真相源
    • 服务端 → MemoryNavigator → SubImageMatcher 全链路传参
    • 测试端通过 from deploy.ws_proxy_with_memory import SUB_MATCH_CONFIDENCE_THRESHOLD 引用
    • 改一处，服务/匹配器/测试全部同步生效
  • 📊 测试日志增强：
    • 表头新增 la_conf 列（lookahead 子图匹配置信度）
    • advance 事件标注 🔭 lookahead确认
    • 统计报告新增【Lookahead 双重确认】小节（触发次数、暂缓次数、通过率）
    • 修复 advance 日志中目标节点显示错误（之前显示的是 advance 后新步骤的目标）

v1.8.0

  • 🆕 鱼眼去畸变：新增 deploy/memory_nav/fisheye_undistort.py，移植自 cam/tools/fisheye_undist_cpu.h
    • 启动时自动从 cam/params.yaml 加载 4 路相机内参，预计算柱面投影 remap 表
    • 每帧推理前自动对输入图像进行去畸变，提升 VPR 及子图匹配精度
    • params.yaml 缺失时优雅降级，不影响服务正常运行
  • 🆕 像素→机器人坐标转换：新增 deploy/memory_nav/coord_transform.py
    • pixel_target 归一化坐标经柱面水平角、相机方位角、俯仰角估距完整管线，转换为 [x_forward, y_lateral, 0.0]
    • 覆盖全部三种导航决策路径（子图匹配成功、帧间缓存、Qwen3.5 兜底）
    • 转换调试信息（yaw、depression、distance、耗时）随响应返回
  • 🆕 cam/ 目录：纳入多目鱼眼相机 ROS2 节点源码及相机参数配置
    • cam/params.yaml：4 路相机完整内参、外参（T_ic）、畸变系数
    • cam/tools/：独立鱼眼转柱面命令行工具（无 ROS2/CUDA 依赖）
  • 启动日志新增：显示鱼眼去畸变状态（✅ 已启用 / ❌ 未加载）和坐标转换模块状态

v1.7.0

  • Qwen3.5 兜底打点：新增基于 Qwen3.5-9B VLM 的打点方案替代 InternVLA 兜底模型
    • 直接使用中文 landmark_name（无需英文翻译或 "Go to the ..." 前缀）
    • 子进程模式运行（qwen3 conda 环境），避免 transformers 版本冲突
    • 支持单图打点和多相机遍历打点
  • InternVLA 按需加载：InternVLA 模型默认不加载，需要时按需启动，节省 GPU 显存
  • 可视化新增模型打点模块：memory_visualization_server.py 新增🎯模型打点 Tab，上传图片+输入地标即可验证打点效果
  • 模型加载优化：Qwen3.5 在 ws_proxy 启动时统一加载，visualization_server 复用同一实例

v1.6.0

  • 子图匹配精简：移除 SuperPoint+LightGlue 和 Qwen3.5 方案，仅保留 DINOv3 密集特征匹配
  • 匹配阈值统一：置信度阈值统一为 SUB_MATCH_CONFIDENCE_THRESHOLD（当前 0.65）
  • 帧间相似度升级：SSIM 替换为 DINOv2 帧间相似度，阈值 0.70
  • 三级 crop 级联匹配：small/mid/big 三种裁剪尺度级联匹配 + 全相机遍历，提升匹配鲁棒性

v1.5.0

  • 输出格式统一：记忆关闭时输出与 ws_proxy.py 完全一致，始终包含 pixel_target，不输出 memory_active 等额外字段
  • 子图匹配缓存：置信度低于阈值时自动延用上一帧成功结果，步骤切换或任务重置时清空

v1.4.0

  • 子图匹配导航：从角度导航升级到 SuperPoint + LightGlue 子图匹配
  • 边模型重构：从 angle + pixel_position 改为 camera_name + crop_image + pixel_box

v1.3.0

  • 统一配置管理：所有 VPR 参数集中到 deploy/vpr_config.yaml
  • 内嵌模型代码：SelaVPR++ 和 MegaLoc 模型代码内嵌，移除外部依赖

v1.2.0

  • 多 VPR 方案支持：新增 SelaVPR++、MegaLoc、EffoVPR 三种方案
  • VPR 工厂模式：统一提取器接口，一键切换

v1.1.0

  • 记忆导航服务：WebSocket 代理 + VPR 定位 + 路径规划

v1.0.0

  • 基础框架：拓扑记忆图、AnyLoc VPR、InternVLA 推理
  • 循环移位匹配：4 相机朝向无关定位算法

📚 引用

如果本项目对您的研究有帮助，请引用相关 VPR 论文：

@article{selavprpp2025,
  title={SelaVPR++: Towards Seamless Adaptation of Foundation Models for Efficient Place Recognition},
  author={Lu, Feng and Jin, Tong and others},
  journal={IEEE T-PAMI},
  year={2026},
  volume={48},
  number={3},
  pages={2731-2748}
}

@inproceedings{megaloc2025,
  title={MegaLoc: One Retrieval to Place Them All},
  author={Berton, Gabriele and Masone, Carlo},
  booktitle={CVPR Workshops},
  year={2025}
}

@article{effovpr2024,
  title={Effective Foundation Model Utilization for Visual Place Recognition},
  author={Tzachor, Issar and others},
  journal={arXiv:2405.18065},
  year={2024}
}

@article{anyloc2023,
  title={AnyLoc: Towards Universal Visual Place Recognition},
  author={Keetha, Nikhil and others},
  journal={IEEE RA-L},
  year={2023}
}

📄 License

本项目采用 MIT License 开源协议。

About

🧠 机器人纯视觉记忆导航系统 | Visual Memory Navigation System based on VPR and Topological Mapping

Topics

robotics navigation memory vpr vln-ce

Resources

Readme
Activity

Stars

2 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

9 tags

Packages

 
 
 

Contributors

Languages