ConvBKI：具有可量化不确定性的实时概率语义建图网络
机器人学
2024-11-04 v3 计算机视觉与模式识别
摘要
本文中，我们开发了一种模块化神经网络，用于在不确定环境中实时（> 10 Hz）语义建图，其在神经网络层内显式更新逐体素概率分布。我们的方法结合了经典概率算法的可靠性与现代神经网络的性能与效率。尽管机器人感知常在现代可微方法与经典显式方法之间划分，但二者的结合对于实时与可信性能是必要的。我们引入了一种新颖的卷积贝叶斯核推断（ConvBKI）层，其通过利用共轭先验，经深度可分离卷积层将语义分割预测在线融入三维地图。我们将ConvBKI与最先进的深度学习方法及概率建图算法进行比较，以评估可靠性与性能。我们还创建了ConvBKI的Robot Operating System（ROS）软件包，并在真实世界感知挑战性的越野驾驶数据上进行了测试。
引用
@article{arxiv.2310.16020,
title = {ConvBKI: Real-Time Probabilistic Semantic Mapping Network with Quantifiable Uncertainty},
author = {Joey Wilson and Yuewei Fu and Joshua Friesen and Parker Ewen and Andrew Capodieci and Paramsothy Jayakumar and Kira Barton and Maani Ghaffari},
journal= {arXiv preprint arXiv:2310.16020},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2209.10663