面向推理与信念空间规划的认知不确定性感知语义定位与建图
机器人学
2021-05-27 v1
摘要
我们研究自主物体分类与语义 SLAM 问题，该问题通常表现出分类、度量 SLAM 和不确定性下规划之间的紧密耦合。我们贡献了一个用于推理和信念空间规划（BSP）的统一框架，解决了该背景下显著的不确定性来源：分类混叠（分类器无法从某些视角区分候选类别）、分类器认知不确定性（分类器接收到“远离”其训练集的数据）以及定位不确定性（相机和物体位姿不确定）。具体而言，我们开发了两种方法来维持机器人位姿与物体位姿以及后验类别概率向量的联合分布，并以贝叶斯方式考虑认知不确定性。第一种方法是多混合（MH），其中维持多个关于位姿和类别的混合信念以近似位姿和后验类别概率上的联合信念。第二种方法是联合 Lambda 位姿（JLP），其中使用新颖的 JLP 因子直接维持联合信念。此外，我们将两种方法扩展到 BSP，在规划时间接或通过新颖的信息论奖励函数直接推理未来的后验认知不确定性。两种推理方法都利用了一种新颖的视角相关分类器不确定性模型，该模型利用了位姿与分类分数之间的耦合，并从某些视角预测认知不确定性。此外，该模型用于在规划期间生成预测测量。据我们所知，这是首个在语义 SLAM 和 BSP 中推理分类器认知不确定性的工作。
引用
@article{arxiv.2105.12359,
title = {Epistemic Uncertainty Aware Semantic Localization and Mapping for Inference and Belief Space Planning},
author = {Vladimir Tchuiev and Vadim Indelman},
journal= {arXiv preprint arXiv:2105.12359},
year = {2021}
}
备注
44 pages, 38 figures, submitted to Autonomous Robots Journal (ARJ)