贝叶斯滤波器的深度测量更新
计算机视觉与模式识别
2021-12-02 v1 机器学习
机器人学
摘要
贝叶斯滤波器的测量更新规则常包含手工启发式方法，用于计算高维传感器数据（如图像）的观测概率。在本文中，我们提出新方法深度测量更新（DMU）作为适用于广泛系统的通用更新规则。DMU 具有条件编码器-解码器神经网络结构，以深度图像为原始输入进行处理。尽管网络仅在合成数据上训练，该模型在真实世界数据评估时表现出良好性能。通过我们提出的训练方案 primed data training，我们展示了如何高效训练 DMU 模型使其对条件变量敏感，而无需依赖随机信息瓶颈。我们在多个复杂度递增的场景中验证了所提方法，从单物体位姿估计到关节系统位姿与内部状态的联合估计。此外，我们在 RBO 数据集上提供与关节符号距离函数（A-SDF）的基准对比，作为关节状态估计的基线比较。
引用
@article{arxiv.2112.00380,
title = {Deep Measurement Updates for Bayes Filters},
author = {Johannes Pankert and Maria Vittoria Minniti and Lorenz Wellhausen and Marco Hutter},
journal= {arXiv preprint arXiv:2112.00380},
year = {2021}
}