面向越野自主地面无人车辆的感知模型不确定性感知方法
机器人学
2022-09-23 v1 计算机视觉与模式识别
机器学习
摘要
越野自主地面无人车辆（UGVs）正被开发用于军事和商业用途，以在偏远地区运送关键物资、协助制图与监视，并在对抗环境中支援作战人员。由于越野环境的复杂性以及地形、光照条件、昼夜与季节变化的多样性，用于感知环境的模型必须应对大量输入变化。当前用于训练越野自主导航感知模型的数据集在季节、地点、语义类别以及一天中的时间方面缺乏多样性。我们检验了如下假设：由于在单一数据集上训练的模型可能因输入分布漂移而无法泛化到其他越野导航数据集和新地点。此外，我们研究了如何结合多个数据集来训练基于语义分割的环境感知模型，并表明训练模型以捕获不确定性可显著提升模型性能。我们将 Masksembles 不确定性量化方法扩展到语义分割任务，并与 Monte Carlo Dropout 及标准基线进行比较。最后，我们针对从 UGV 平台在新测试环境中收集的数据测试了该方法。我们表明，所开发的带不确定性量化的感知模型可切实部署于 UGV 上以支持在线感知与导航任务。
引用
@article{arxiv.2209.11115,
title = {Uncertainty-aware Perception Models for Off-road Autonomous Unmanned Ground Vehicles},
author = {Zhaoyuan Yang and Yewteck Tan and Shiraj Sen and Johan Reimann and John Karigiannis and Mohammed Yousefhussien and Nurali Virani},
journal= {arXiv preprint arXiv:2209.11115},
year = {2022}
}