3D VSG：基于三维可变场景图的长期语义场景变化预测
机器人学
2023-07-13 v2 计算机视觉与模式识别
摘要
众多应用要求机器人在与其他智能体（如人或其它机器人）共享的环境中运行。然而，此类共享场景通常遭受各类长期语义场景变化。因此，建模并预测此类变化的能力对机器人自主性至关重要。本工作中，我们形式化了语义场景可变性估计任务，并识别出三种主要语义场景变化类型：物体位置变化、其语义状态变化，或整体场景构成变化。为表征该可变性，我们提出可变场景图（Variable Scene Graph, VSG），其在现有三维场景图（3D Scene Graph, SG）表示上增补可变性属性，以表示离散长期变化事件的可能性。我们提出一种新方法 DeltaVSG，以监督方式估计 VSG 的可变性。我们在 3RScan 长期数据集上评估了该方法，在此新任务上相较现有方法取得显著提升。我们的方法 DeltaVSG 达到 77.1% 准确率与 72.3% 召回率，常能模拟人类关于室内场景如何随时间变化的直觉。我们进一步展示了 VSG 预测在主动机器人变化检测任务中的效用，相较无场景变化感知的规划器将任务完成速度提升 66.0%。我们将代码开源。
引用
@article{arxiv.2209.07896,
title = {3D VSG: Long-term Semantic Scene Change Prediction through 3D Variable Scene Graphs},
author = {Samuel Looper and Javier Rodriguez-Puigvert and Roland Siegwart and Cesar Cadena and Lukas Schmid},
journal= {arXiv preprint arXiv:2209.07896},
year = {2023}
}
备注
Accepted for IEEE International Conference on Robotics and Automation (ICRA) 2023. 8 pages, 4 figures, code released at https://github.com/ethz-asl/3d_vsg