面向对象相对状态估计的 AI 基于 6D 物体姿态预测的 Aleatoric 不确定性
机器人学
2025-09-03 v1 计算机视觉与模式识别
摘要
深度学习 (DL) 因在处理原始感知数据以从语义对象中提取特定任务信息方面表现突出，已成为机器人应用中的关键技术。例如，基于视觉的对象相对导航依赖于基于 DL 的 6D 物体姿态预测器，提供机器人状态估计器用于测量物体与机器人之间的相对姿态。准确把握基于深度神经网络 (DNN) 测量中固有不确定性对于随后指导机器人任务的概率状态估计器至关重要。因此，本文展示，我们可以通过为 DL 测量器的平移部分和旋转部分分别附加两个多层感知器（MLP）来扩展任何现有的 DL 基于物体相对姿态预测器，以实现 Aleatoric 不确定性推断。这使得在冻结现有预训练测量器的情况下能够高效训练。随后，我们将推断的 6D 姿态及其不确定性作为测量及其对应的噪声协方差矩阵用于扩展卡尔曼滤波器 (EKF)。我们的做法引入最小的计算开销，使得状态估计器可部署在边缘设备上，同时从动态推断的测量不确定性中受益。这提高了对象相对状态估计任务的性能，而不仅仅是使用固定协方差的方法。我们在合成数据和真实数据上进行评估，以凸显 Aleatoric 不确定性推断对于对象相对状态估计任务的优势。
引用
@article{arxiv.2509.01583,
title = {Aleatoric Uncertainty from AI-based 6D Object Pose Predictors for Object-relative State Estimation},
author = {Thomas Jantos and Stephan Weiss and Jan Steinbrener},
journal= {arXiv preprint arXiv:2509.01583},
year = {2025}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L)