基于 GMM 和 GP 的 3D 不确定隐式表面制图
机器人学
2024-10-27 v4
摘要
本研究致力于解决构建连续三维（3D）模型的挑战，该模型需准确表示源自噪声大且不完整的 LiDAR 扫描数据的不确定表面。在我们先前利用高斯过程（GP）和高斯混合模型（GMM）进行结构化建筑建模的工作基础上，我们引入了一种更通用的方法，专为城市场景中的复杂表面量身定制，其中应用了 GMM 回归和带有导数观测的 GP。我们采用分层 GMM（HGMM）来优化 GMM 分量数量并加速 GMM 训练。利用从 HGMM 获得的先验地图，随后进行 GP 推断以细化最终地图。我们的方法对地理对象的隐式表面进行建模，并能够推断未被测量完全覆盖的区域。GMM 与 GP 的整合在表面模型旁提供了校准良好的不确定性，从而提高了准确性和可靠性。该方法在移动制图系统采集的真实数据上进行了评估。与其他最先进方法在制图精度和不确定性量化方面的性能相比，所提方法在评估数据集上实现了更低的 RMSE、更高的对数似然值以及更低的计算成本。
引用
@article{arxiv.2403.07223,
title = {3D Uncertain Implicit Surface Mapping using GMM and GP},
author = {Qianqian Zou and Monika Sester},
journal= {arXiv preprint arXiv:2403.07223},
year = {2024}
}
备注
This work has been accepted by the IEEE RA-L