FutureMapping 2: Gaussian Belief Propagation for Spatial AI

要約

我々は、実製品の制約の中で動作する高性能なスマートロボットやデバイスを目指しているため、空間AIで必要とされる分散、汎用、漸進的な確率推定のための強力なアルゴリズムの枠組みとして、ガウス型確率伝搬法（GBP）のケースを主張する。プロセッサのハードウェアは急速に変化しており、GBPはグローバルな量を推定しながら高度に分散した処理とストレージを利用するのに適した性格を持ち、また大きな柔軟性も持っている。ロボット工学やコンピュータビジョンで用いられる標準的な因子グラフの定式化に関連する、GBPの詳細なチュートリアルを紹介し、その特性を示すコードによるいくつかのシミュレーション例を示す。

要約(オリジナル)

We argue the case for Gaussian Belief Propagation (GBP) as a strong algorithmic framework for the distributed, generic and incremental probabilistic estimation we need in Spatial AI as we aim at high performance smart robots and devices which operate within the constraints of real products. Processor hardware is changing rapidly, and GBP has the right character to take advantage of highly distributed processing and storage while estimating global quantities, as well as great flexibility. We present a detailed tutorial on GBP, relating to the standard factor graph formulation used in robotics and computer vision, and give several simulation examples with code which demonstrate its properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL