基于归一化流的 SLAM 增量非高斯推断
机器人学
2022-07-05 v2 机器学习
应用统计
摘要
本文提出用于增量平滑与建图的正则化流方法(NF-iSAM)，一种在具有非线性测量模型和非高斯因子的 SLAM 问题中推断完整后验分布的新算法。NF-iSAM 利用神经网络的表现力，训练归一化流来建模并采样完整后验。通过借助 Bayes 树，NF-iSAM 实现了类似于 iSAM2 的高效增量更新，尽管是在更具挑战性的非高斯设定下。我们使用具有数据关联歧义的单距离 SLAM 问题，展示了 NF-iSAM 相对于最先进的点与分布估计算法的优势。NF-iSAM 在描述连续变量(如位置)和离散变量(如数据关联)的后验置信方面表现出更优的精度。
引用
@article{arxiv.2110.00876,
title = {Incremental Non-Gaussian Inference for SLAM Using Normalizing Flows},
author = {Qiangqiang Huang and Can Pu and Kasra Khosoussi and David M. Rosen and Dehann Fourie and Jonathan P. How and John J. Leonard},
journal= {arXiv preprint arXiv:2110.00876},
year = {2022}
}
备注
Extension of work published at arXiv:2105.05045