PERCH：通过搜索进行感知以实现多目标识别与定位

在许多机器人领域，如柔性自动化制造或个人辅助，一项基本的感知任务是识别并定位已知三维模型的对象。该问题的典型方法包括判别式方法，其寻找在模型与观测数据上计算的特征描述子之间的对应。虽然这些方法已成功应用，但当特征描述子无法捕捉观测数据中的变化时它们可能不可靠；一个经典原因是遮挡。作为迈向审慎推理的一步，我们提出PERCH：PErception via SeaRCH（通过搜索进行感知），一种通过生成式地假设可能场景来寻找对观测传感器数据的最佳解释的算法。我们的贡献是：i) 将多目标识别与定位任务表述为在假设场景空间上的优化问题，ii) 利用优化中的结构将其转化为我们所称之为单调场景生成树上的组合搜索问题，iii) 利用并行化及多启发式搜索的最新进展使组合搜索易于处理。我们证明我们的系统能在所选代价函数下保证产生场景的最佳解释，并在真实世界RGB-D测试数据上验证了我们的主张。我们的实验结果表明我们能在重度遮挡下识别和定位对象——这是最先进方法难以应对的情况。