应用于车辆轨迹估计的带参数学习的变分推断
机器人学
2020-07-13 v2 机器学习
摘要
我们提出了一种在高斯变分推断设置下仅使用含噪测量（即无真值）进行参数学习的方法。这在车辆轨迹估计的背景下得到展示，尽管我们提出的方法是通用的。本文扩展了精确稀疏高斯变分推断（ESGVI）框架，该框架此前已用于大规模非线性批量状态估计。我们的贡献是在ESGVI框架内额外学习系统模型的参数（实践中可能难以选择）。在本文中，我们学习车辆轨迹估计中所用运动与传感器模型的协方差。具体而言，我们学习加速度白噪声运动模型的参数，以及传感器模型中对测量协方差的Inverse-Wishart先验的参数。我们使用一段36~km的数据集（一辆车利用激光雷达针对高精地图进行定位）展示该技术；我们在数据的训练段上学习参数，随后表明即使在存在离群点的情况下，我们也能在测试段获得高质量状态估计。最后，我们展示我们的框架可用于求解位姿图优化，即便存在许多错误回环闭合。
引用
@article{arxiv.2003.09736,
title = {Variational Inference with Parameter Learning Applied to Vehicle Trajectory Estimation},
author = {Jeremy N. Wong and David J. Yoon and Angela P. Schoellig and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2003.09736},
year = {2020}
}
备注
IEEE Robotics and Automation Letters (RA-L). 8 pages, 4 figures