基于可微传感器融合的联合建图与标定
计算机视觉与模式识别
2018-12-21 v2 人工智能
机器学习
机器学习
摘要
我们利用自动微分（AD）和概率编程开发了一种端到端优化算法，用于大量未知目标的批量三角测量。给定从具有噪声地理定位的街景图像（无深度信息）中提取的含噪检测结果，我们联合估计不同类型目标的数量与位置，以及传感器噪声特征和以侧面信息为条件的目标先验分布参数。整个算法被构建为嵌套随机变分推断。内循环通过循环置信传播解决软数据关联问题；中循环使用正则化牛顿求解器（借助 AD 框架）执行软 EM 聚类；外循环通过内循环反向传播以训练全局参数。我们对不同交通目标类型的传感器参数施加先验，并展示了结合环境知识的更丰富先验带来的改进。我们在由车载挂载相机观测到的道路标志检测结果上测试了算法，尽管实际上该技术可用于任何带地理标签的图像。检测由神经图像检测器和分类器提取，我们独立地对每种标志（如停车标志、交通灯）进行三角测量。我们发现，与现有方法相比，我们的模型对 DNN 误分类更鲁棒，可跨标志类型泛化，并可使用几何信息提高精度。我们的算法优于当前基于 k-means 聚类的生产基线。我们展示了变分推断训练通过学习目标特定参数实现泛化。
引用
@article{arxiv.1812.00880,
title = {Joint Mapping and Calibration via Differentiable Sensor Fusion},
author = {Jonathan P. Chen and Fritz Obermeyer and Vladimir Lyapunov and Lionel Gueguen and Noah D. Goodman},
journal= {arXiv preprint arXiv:1812.00880},
year = {2018}
}