CLOSURE：快速计算姿态不确定性集
机器人学
2024-08-06 v3
摘要
我们研究了从学习的噪声测量（例如关键点和姿态假设）进行的6D姿态估计的不确定性量化。假设测量噪声为未知但有界的，姿态不确定性集（PURSE）是包含与测量兼容的所有可能6D姿态的SE(3)的子集。尽管该PURSE简单而且能够嵌入不确定性，但由于包含许多抽象非凸多项式约束，PURSE难以处理和解释。PURSE的一种有吸引力的简化方法是找到其最小包围测地球球（MEGB），即具有最小最坏情况误差界的点姿态估计。我们贡献了（i）非凸PURSE的几何解释，以及（ii）快速内逼近MEGB的算法。特别地，我们展示PURSE对应于受约束的动力学系统的可行集或多个测地球的交集，这一视角允许我们通过战略随机游走设计算法，对PURSE边界进行密集抽样。随后我们使用miniball算法计算PURSE样本的MEGB，从而实现内逼近。我们称我们的算法为CLOSURE（enClosing baLl frOm purSe boUndaRy samplEs），它使我们能够通过计算内逼近与外逼近之间的相对大小比率来计算逼近紧密性的证书。在单张RTX 3090 GPU上，CLOSURE在LM-O数据集上实现92.8%的相对比率，在3DMatch数据集上实现91.4%的相对比率，在LM数据集上实现96.6%的相对比率，平均运行时间小于0.3秒。与外逼近方法GRCC相比，CLOSURE在实现可 comparable 最坏情况误差界的同时，快398倍、833倍和23.6倍，使其能够在实时机器人感知应用中实现6D姿态估计的不确定性量化。
引用
@article{arxiv.2403.09990,
title = {CLOSURE: Fast Quantification of Pose Uncertainty Sets},
author = {Yihuai Gao and Yukai Tang and Han Qi and Heng Yang},
journal= {arXiv preprint arXiv:2403.09990},
year = {2024}
}