用于学习平滑器的可微因子图优化
机器人学
2021-08-24 v3
摘要
近期一系列工作表明，贝叶斯滤波器的端到端优化可用于为那些底层模型难以手工设计或调参的系统学习状态估计器，同时保留概率状态估计的核心优势。作为这些场景下状态估计的替代方法，我们提出一种端到端方法，用于学习建模为基于因子图的平滑器的状态估计器。通过展开我们在这些概率图模型中进行最大后验推断所用的优化器，我们可以在整体状态估计器的完整上下文中学习概率系统模型，同时利用平滑器相对于递归滤波器所提供的显著精度和运行时间优势。我们使用两个基本状态估计问题——目标跟踪与视觉里程计——来研究该方法，其中我们展示了相对于现有基线的显著改进。我们的工作附带广泛的代码发布，包括训练和评估脚本，以及用于李群理论和因子图优化的 Python 库：https://sites.google.com/view/diffsmoothing/
引用
@article{arxiv.2105.08257,
title = {Differentiable Factor Graph Optimization for Learning Smoothers},
author = {Brent Yi and Michelle A. Lee and Alina Kloss and Roberto Martín-Martín and Jeannette Bohg},
journal= {arXiv preprint arXiv:2105.08257},
year = {2021}
}
备注
IROS 2021. 9 pages with references and appendix