NSS-VAEs：用于可导航空间构建的生成式场景分解
机器人学
2021-11-03 v1
摘要
检测可导航空间是机器人成功导航的第一步，也是关键一步。在这项工作中，我们将视觉可导航空间分割视为一个场景分解问题，并提出一种新网络 NSS-VAEs（可导航空间分割变分自编码器），这是一种基于表示学习的框架，使机器人能够以无监督方式学习可导航空间分割。不同于严重依赖监督学习策略且通常需要大量像素级标注图像的流行分割技术，所提框架利用生成模型——变分自编码器（VAE）——来学习一种概率折线表示，紧凑地勾勒出所需可导航空间的边界。独特的是，我们的方法还评估与场景非结构化性相关的预测不确定性，这对于机器人在非结构化环境中的导航十分重要。通过大量实验，我们验证了所提方法即使在没有一个标签的情况下也能达到极高准确率（>90%）。我们还表明，NSS-VAEs 的预测可借助少量标签进一步提升，结果显著优于 SOTA 全监督学习方法。
引用
@article{arxiv.2111.01127,
title = {NSS-VAEs: Generative Scene Decomposition for Visual Navigable Space Construction},
author = {Zheng Chen and Lantao Liu},
journal= {arXiv preprint arXiv:2111.01127},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2111.00063