基于阿莱塔尔不确定性的 AI 多目标相对状态估计中的假设重构与异常值抑制
机器人学
2026-02-03 v1
摘要
相对于一组感兴趣的对象进行精确定位，使移动机器人能够执行各种任务。随着能够部署深度神经网络 (DNN) 进行实时推理的边缘设备的出现，使用人工智能 (AI) 从原始图像数据中提取对象特定的语义信息（如对象类别和相对六自由度 (6-DoF) 位姿）变得合理。然而，将此类 AI 基于的测量融合到扩展卡尔曼滤波器 (EKF) 需要量化 DNN 的不确定性和异常值抑制能力。本文提出了重新构建 AI 基于的、针对阿莱塔尔不确定性的异常值抑制的多目标相对状态估计方法。通过推导使用直接对象相对姿态测量的 EKF，我们可以解耦位置和旋转测量，从而限制错误旋转测量的影响，允许部分测量被抑制。此外，我们研究了用 DNN 预测的阿莱塔尔不确定性取代 6-DoF 对象相对姿态测量的固定测量协方差矩阵所提供的状态估计器性能和一致性改进。
引用
@article{arxiv.2602.02006,
title = {Reformulating AI-based Multi-Object Relative State Estimation for Aleatoric Uncertainty-based Outlier Rejection of Partial Measurements},
author = {Thomas Jantos and Giulio Delama and Stephan Weiss and Jan Steinbrener},
journal= {arXiv preprint arXiv:2602.02006},
year = {2026}
}
备注
Accepted for publication at ICRA 2026, Vienna, Austria