SO(3)上用于具有不确定性的深度旋转学习的一种平滑信念表示
计算机视觉与模式识别
2021-01-19 v4 机器学习
摘要
精确的旋转估计是视觉里程计与物体位姿估计等机器人感知任务的核心。深度神经网络为执行这些任务提供了新途径，而旋转表示的选择是网络设计的重要环节。本文提出一种三维旋转群 SO(3) 的新型对称矩阵表示，其具有两个重要性质使之特别适合学习模型：（1）它满足平滑性性质，可在回归大旋转目标时改善收敛与泛化；（2）它编码了单位四元数空间上的对称 Bingham 信念，允许训练具有不确定性感知的模型。我们通过两种数据模态训练深度神经旋转回归器来经验验证我们公式的优势。首先，我们使用合成点云数据表明，对于任意旋转目标，我们的表示相较现有表示具有更优的预测精度。其次，我们使用地面与空中载具上采集的图像数据证明，我们的表示适用于一种有效的分布外（OOD）拒绝技术，该技术显著提升了旋转估计对未见环境效应与损坏输入图像的鲁棒性，且无需使用显式似然损失、随机采样或辅助分类器。该能力对于安全关键应用至关重要，其中检测新颖输入可防止学习模型的灾难性失败。
引用
@article{arxiv.2006.01031,
title = {A Smooth Representation of Belief over SO(3) for Deep Rotation Learning with Uncertainty},
author = {Valentin Peretroukhin and Matthew Giamou and David M. Rosen and W. Nicholas Greene and Nicholas Roy and Jonathan Kelly},
journal= {arXiv preprint arXiv:2006.01031},
year = {2021}
}
备注
In Proceedings of Robotics: Science and Systems (RSS'20), Corvallis , Oregon, USA, Jul. 12-16, 2020