LEO：在因子图优化中学习基于能量的模型
机器人学
2022-04-12 v4
摘要
我们解决端到端学习用于估计的观测模型问题。在部分可观测环境中运行的机器人必须使用捕获潜状态与观测之间联合分布的观测模型，从多感官输入推断潜状态。该推断问题可表述为图上的目标函数，利用所有先前测量优化最可能的状态序列。先前工作使用的观测模型要么先验已知，要么在独立于图优化器的代理损失上训练。本文中，我们提出一种方法，通过在环路中结合图优化器学习观测模型，直接优化端到端跟踪性能。然而，这种直接方法似乎要求推断算法完全可微，而许多最先进的图优化器并非如此。我们的关键见解是将问题重新表述为基于能量的学习。我们提出一种新方法 LEO，用于与可能不可微的图优化器端到端学习观测模型。LEO 在从图后验采样轨迹与更新模型以匹配这些样本与真值轨迹之间交替。我们提出一种使用增量 Gauss-Newton 求解器高效生成此类样本的方法。我们在来自两个不同任务（导航与真实平面推动）的数据集上将 LEO 与基线比较。我们表明 LEO 能够学习复杂观测模型，且误差更低、样本更少。补充视频：https://youtu.be/YqzlUPudfkA
引用
@article{arxiv.2108.02274,
title = {LEO: Learning Energy-based Models in Factor Graph Optimization},
author = {Paloma Sodhi and Eric Dexheimer and Mustafa Mukadam and Stuart Anderson and Michael Kaess},
journal= {arXiv preprint arXiv:2108.02274},
year = {2022}
}
备注
Accepted to Conference on Robot Learning (CoRL) 2021. 19 pages, 13 figures