面向点云配准的人类可解释不确定性解释
机器人学
2025-09-25 v2 计算机视觉与模式识别
摘要
本文研究了点云配准问题，在该问题中，ICP 等知名方法在面临由传感器噪声、位姿估计误差及因遮挡导致的部分重叠所引起的不确定性时会失效。我们开发了一种新方法——高斯过程概念归因（GP-CA），它不仅能量化配准不确定性，还能通过将不确定性归因于配准问题中已知的误差源来对其进行解释。我们的方法利用主动学习，通过查询信息量大的实例来发现实际场景中的新不确定性源。我们在三个公开数据集和我们的真实世界机器人实验中验证了 GP-CA。大量的消融实验证实了我们的设计选择。我们的方法在运行时间、主动学习的高样本效率和高精度方面优于其他 SOTA 方法。我们的真实世界实验清楚地证明了其适用性。我们的视频还表明，GP-CA 能够实现有效的故障恢复行为，从而产生更鲁棒的机器人感知。
引用
@article{arxiv.2509.18786,
title = {Human-Interpretable Uncertainty Explanations for Point Cloud Registration},
author = {Johannes A. Gaus and Loris Schneider and Yitian Shi and Jongseok Lee and Rania Rayyes and Rudolph Triebel},
journal= {arXiv preprint arXiv:2509.18786},
year = {2025}
}