基于集成学习回归模型与数据表征一维全局池化的 SLAM ATE 预测
机器人学
2023-03-02 v1 计算机视觉与模式识别
摘要
同步定位与建图（SLAM）的鲁棒性与韧性是现代自主机器人系统的关键要求。实现鲁棒性与韧性的重要一步是 SLAM 能够对其定位估计具备完整性度量，从而拥有处理性能退化的内部容错机制。本工作中，我们提出一种基于原始传感器输入表征来预测 SLAM 定位误差的新方法。所提方法依赖于使用在由表征后的原始传感器数据生成的一维全局池化特征上训练的随机森林回归模型。该模型通过在四种不同运行模式下预测 ORB-SLAM3 在三个不同数据集上的性能进行验证，平均预测准确率高达 94.7%。本文还研究了 12 种不同一维全局池化函数对回归质量的影响，并定量证明了 1-D 全局平均的优越性。最后，本文研究了在有限训练数据下的预测质量，证明当仅使用 20% 的训练样本进行训练时仍能保持适当的预测质量，这凸显了所提模型可优化 SLAM 系统评估开销的能力。
引用
@article{arxiv.2303.00616,
title = {Prediction of SLAM ATE Using an Ensemble Learning Regression Model and 1-D Global Pooling of Data Characterization},
author = {Islam Ali and Bingqing and Wan and Hong Zhang},
journal= {arXiv preprint arXiv:2303.00616},
year = {2023}
}