面向鲁棒空间感知的贝叶斯启发式方法

空间感知是机器智能若干应用（如机器人与计算机视觉）中的关键任务。一般而言，它涉及对表示系统状态的隐变量的非线性估计。然而，在存在测量离群值的情况下，标准的非线性最小二乘公式会产生较差的估计。文献中已考虑多种方法来提升估计过程的可靠性。由于高昂的计算成本，有保证的全局鲁棒估计通常并不实用，因此多数方法基于启发式。近期提出了通用鲁棒估计启发式，其利用现有可用于无离群值公式的非最小求解器，且无需初值猜测。本工作中，我们提出三种结构相似的贝叶斯启发式。我们在实际场景中评估这些启发式，以展示其在包括3D点云配准、网格配准和位姿图优化等不同应用中的优点。我们所提方法具有的通用计算优势，使其成为空间感知任务中有吸引力的候选方法。