基于贝叶斯ICP的运动不确定性估计
机器人学
2020-04-20 v1
摘要
准确估计两幅3D点云间位姿变换相关的不确定性，对自主导航、抓取和数据融合至关重要。迭代最近点（ICP）通过迭代执行数据关联与运动估计来估算点云对之间的变换，被广泛使用。尽管其成功且流行，ICP实质上是确定性算法，而将其重构为概率形式的尝试通常未能捕捉所有不确定性来源，如数据关联误差与传感器噪声。这导致过于自信的变换估计，可能损害依赖这些估计的系统的鲁棒性。本文提出一种利用马尔可夫链蒙特卡洛（MCMC）算法估计ICP中位姿不确定性的新方法。我们的方法结合了可扩展贝叶斯采样（如随机梯度朗之万动力学（SGLD））的最新优化进展，以推断两幅点云间位姿变换的完整后验分布。我们使用3D Kinect数据在实验中评估了称为贝叶斯ICP的方法，表明该方法能够快速且准确地估计位姿不确定性，并考虑了由物体形状所反映的数据关联不确定性。
引用
@article{arxiv.2004.07973,
title = {Estimating Motion Uncertainty with Bayesian ICP},
author = {Fahira Afzal Maken and Fabio Ramos and Lionel Ott},
journal= {arXiv preprint arXiv:2004.07973},
year = {2020}
}
备注
6 pages, submitted to ICRA 2019