Robust Change Detection Based on Neural Descriptor Fields

要約

環境の変化について推論する能力は、長期間にわたって動作するロボットにとって非常に重要です。
エージェントは、作業セッションのスムーズな進行を確保するためのアクションに従うことができるように、操作中に変更をキャプチャすることが期待されています。
ただし、さまざまな視野角と蓄積されたローカリゼーション エラーにより、ロボットは観測の重なりが少なく、オブジェクトの関連付けがドリフトしているため、周囲の世界の変化を誤って検出しやすくなります。
この論文では、最近提案されたカテゴリ レベルのニューラル記述子フィールド (NDF) に基づいて、部分的に重複する観測とノイズの多いローカリゼーション結果に対して堅牢なオブジェクト レベルのオンライン変更検出アプローチを開発します。
形状補完機能と NDF の SE(3) 等価性を利用して、部分的な観測から完全なオブジェクト形状をエンコードするコンパクトな形状コードでオブジェクトを表します。
次に、オブジェクトは、NDF から復元されたオブジェクト センターに基づいて空間ツリー構造に編成され、オブジェクト近傍の高速クエリが実行されます。
形状コードの類似性を介してオブジェクトを関連付け、ローカル オブジェクトと近隣の空間レイアウトを比較することにより、提案されたアプローチは、低い観測オーバーラップとローカリゼーション ノイズに対する堅牢性を示します。
合成シーケンスと実際のシーケンスの両方で実験を行い、複数のベースライン方法と比較して改善された変化検出結果を達成します。
プロジェクトのウェブページ: https://yilundu.github.io/ndf_change

要約(オリジナル)

The ability to reason about changes in the environment is crucial for robots operating over extended periods of time. Agents are expected to capture changes during operation so that actions can be followed to ensure a smooth progression of the working session. However, varying viewing angles and accumulated localization errors make it easy for robots to falsely detect changes in the surrounding world due to low observation overlap and drifted object associations. In this paper, based on the recently proposed category-level Neural Descriptor Fields (NDFs), we develop an object-level online change detection approach that is robust to partially overlapping observations and noisy localization results. Utilizing the shape completion capability and SE(3)-equivariance of NDFs, we represent objects with compact shape codes encoding full object shapes from partial observations. The objects are then organized in a spatial tree structure based on object centers recovered from NDFs for fast queries of object neighborhoods. By associating objects via shape code similarity and comparing local object-neighbor spatial layout, our proposed approach demonstrates robustness to low observation overlap and localization noises. We conduct experiments on both synthetic and real-world sequences and achieve improved change detection results compared to multiple baseline methods. Project webpage: https://yilundu.github.io/ndf_change

arxiv情報

提供元, 利用サービス

arxiv.jp, Google