基于随机变分高斯过程地图的完全概率地形建模
机器人学
2022-03-22 v1
摘要
高斯过程（GPs）正成为构建地形表征的标准工具，因其能建模地图不确定性。这有效产生了地图区域的可靠性度量，可被机器人定位问题中的贝叶斯滤波算法直接利用。一个关键见解是，该不确定性可通过 GPs 在不确定输入（UIs）上训练的能力来纳入地形测量过程固有的噪声。然而，现有以易处理方式构建带 UIs 的 GP 地图的技术在输入噪声的形式与程度上受限。在本快报中，我们提出一个基于随机变分 GPs 与 UIs 分布蒙特卡洛采样的灵活高效框架，以构建大规模带 UIs 的 GP 地图。我们在一艘 AUV 采集的大型测深调查中验证了映射方法，并针对确定性输入（DI）的使用分析了其性能。最后，我们展示了在完全预测区域上的真实 AUV 任务中，使用 UI SVGP 地图比 DI SVGP 产生更精确的粒子滤波定位结果。
引用
@article{arxiv.2203.10893,
title = {Fully-probabilistic Terrain Modelling with Stochastic Variational Gaussian Process Maps},
author = {Ignacio Torroba and Christopher Illife Sprague and John Folkesson},
journal= {arXiv preprint arXiv:2203.10893},
year = {2022}
}