基于蒙特卡洛规划与不确定检测下的无监督主动视觉搜索
机器人学
2024-10-28 v1
摘要
我们提出了一种在环境中主动视觉搜索物体的解决方案，其中仅有的已知信息是环境的二维平面图。与最先进方法相比，我们的方案具有三个关键特征，使其更合理且对检测器故障更具鲁棒性：（i）它是无监督的，不需要任何训练过程。（ii）在探索过程中，二维平面图上的概率分布根据一种直观机制更新，而改进的信念更新提升了智能体探索的有效性。（iii）我们通过利用特定检测器的成功统计，将物体检测器可能失效的认知纳入上述概率建模中。我们的方案被称为 POMP-BE-PD（基于 Pomcp 的在线运动规划与探索信念及概率检测）。它利用智能体的当前位姿和 RGB-D 观测来学习最优搜索策略，借助由蒙特卡洛规划方法求解的 POMDP。在 Active Vision Database 基准上，相较于竞争方法，我们将所有环境的平均成功率显著提升了 35%，同时平均路径长度减少了 4%。因此，即使不使用任何训练过程，我们的结果也达到了最先进水平。
引用
@article{arxiv.2303.03155,
title = {Unsupervised Active Visual Search with Monte Carlo planning under Uncertain Detections},
author = {Francesco Taioli and Francesco Giuliari and Yiming Wang and Riccardo Berra and Alberto Castellini and Alessio Del Bue and Alessandro Farinelli and Marco Cristani and Francesco Setti},
journal= {arXiv preprint arXiv:2303.03155},
year = {2024}
}
备注
12 pages,8 figures. Submitted for review at IEEE Transactions on Pattern Analysis and Machine Intelligence. arXiv admin note: text overlap with arXiv:2009.08140