Prediction of SLAM ATE Using an Ensemble Learning Regression Model and 1-D Global Pooling of Data Characterization

要約

同時ローカリゼーションとマッピング (SLAM) の堅牢性と回復力は、最新の自律型ロボット システムにとって重要な要件です。
堅牢性と復元力を実現するための重要な手順の 1 つは、SLAM がローカリゼーションの推定の整合性を測定できるようにすることです。これにより、パフォーマンスの低下に対処するための内部フォールト トレランス メカニズムが得られます。
この作業では、生のセンサー入力の特徴付けに基づいて SLAM ローカリゼーション エラーを予測するための新しい方法を紹介します。
提案された方法は、特徴付けられた生のセンサー データから生成された 1 次元のグローバル プール機能でトレーニングされたランダム フォレスト回帰モデルの使用に依存しています。
このモデルは、4 つの異なる動作モードで動作する 3 つの異なるデータセットで ORB-SLAM3 のパフォーマンスを予測するために使用することで検証され、最大 94.7\% の平均予測精度が得られます。
この論文では、12 の異なる 1-D グローバル プーリング関数が回帰の品質に及ぼす影響についても研究しており、1-D グローバル平均化の優位性が定量的に証明されています。
最後に、この論文では、限られたトレーニング データを使用した予測の品質を調査し、トレーニング サンプルの 20 \% のみがトレーニングに使用される場合に適切な予測品質を維持できることを証明しています。これは、提案されたモデルが評価フットプリントを最適化できる方法を強調しています。
SLAMシステムの。

要約(オリジナル)

Robustness and resilience of simultaneous localization and mapping (SLAM) are critical requirements for modern autonomous robotic systems. One of the essential steps to achieve robustness and resilience is the ability of SLAM to have an integrity measure for its localization estimates, and thus, have internal fault tolerance mechanisms to deal with performance degradation. In this work, we introduce a novel method for predicting SLAM localization error based on the characterization of raw sensor inputs. The proposed method relies on using a random forest regression model trained on 1-D global pooled features that are generated from characterized raw sensor data. The model is validated by using it to predict the performance of ORB-SLAM3 on three different datasets running on four different operating modes, resulting in an average prediction accuracy of up to 94.7\%. The paper also studies the impact of 12 different 1-D global pooling functions on regression quality, and the superiority of 1-D global averaging is quantitatively proven. Finally, the paper studies the quality of prediction with limited training data, and proves that we are able to maintain proper prediction quality when only 20 \% of the training examples are used for training, which highlights how the proposed model can optimize the evaluation footprint of SLAM systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google