面向移动机器人的深度生成空间模型学习
机器人学
2018-01-01 v3
摘要
我们提出一个新的概率框架，允许移动机器人自主学习其环境的、跨越多个抽象层次的深度生成模型。与传统方法结合用于低级特征、几何和语义的工程化模型不同，我们的方法利用和积网络（Sum-Product Networks, SPNs）和深度学习的最新进展，学习机器人空间环境的单一通用模型。我们的模型是完全概率性和生成式的，并表示从低级几何到语义解释的空间信息的联合分布。一旦学习完成，它能够解决广泛的任务：从地点的语义分类、不确定性估计和新奇性检测，到基于语义信息生成地点外观以及预测部分观测中的缺失数据。在来自移动机器人的激光测距数据上的实验表明，所提出的通用模型获得了优于针对某一特定任务（如生成对抗网络（GANs）或支持向量机（SVMs））微调的最先进模型的性能。
引用
@article{arxiv.1610.02627,
title = {Learning Deep Generative Spatial Models for Mobile Robots},
author = {Andrzej Pronobis and Rajesh P. N. Rao},
journal= {arXiv preprint arXiv:1610.02627},
year = {2018}
}