信念场景图：通过期望计算利用物体扩展部分场景
机器人学
2024-05-29 v2 计算机视觉与模式识别
摘要
在本文中，我们提出了信念场景图（Belief Scene Graphs）这一新概念，它是部分 3D 场景图的效用驱动扩展，能够利用部分信息进行高效的高层任务规划。我们提出了一种基于图的学习方法，用于计算任意给定 3D 场景图上的信念（也称为期望），随后用于策略性地添加与机器人任务相关的新节点（称为盲节点）。我们提出了基于相关性信息的期望计算（CECI）方法，通过学习可用训练数据的直方图来合理近似真实的信念/期望。我们开发了一种新颖的图卷积神经网络（GCN）模型，用于从 3D 场景图存储库中学习 CECI。由于不存在用于训练新颖 CECI 模型的 3D 场景图数据库，我们提出了一种基于语义标注的真实生活 3D 空间生成 3D 场景图数据集的新方法。生成的数据集随后用于训练所提出的 CECI 模型并对所提出的方法进行广泛验证。我们确立了\textit{信念场景图} (BSG) 这一新概念，作为将期望整合到抽象表示中的核心组件。这一新概念是经典 3D 场景图概念的演进，旨在实现各种机器人任务的任务规划和优化的高层推理。整体框架的有效性已在物体搜索场景中进行了评估，并在真实生活实验中进行了测试，以模拟人类对未见物体的常识。有关展示实验演示的文章视频，请参阅以下链接：https://youtu.be/hsGlSCa12iY
引用
@article{arxiv.2402.03840,
title = {Belief Scene Graphs: Expanding Partial Scenes with Objects through Computation of Expectation},
author = {Mario A. V. Saucedo and Akash Patel and Akshit Saradagi and Christoforos Kanellakis and George Nikolakopoulos},
journal= {arXiv preprint arXiv:2402.03840},
year = {2024}
}
备注
Accepted at ICRA 2024