Analysis of Scale-Variant Robust Kernel Optimization for Non-linear Least Squares Problems

要約

この記事では、残差分布をよりよく適合させるために 2 つのパラメーターを学習することで、既存のロバスト推定アルゴリズムの適応性を高める方法を紹介します。
分析されたメソッドは、これら 2 つのパラメーターを使用して、反復再重み付け最小二乗法の重みを計算します。
この重みの適応性は、測定中のノイズ レベルが変化する状況で役立ちます。
まず、合成データ セットを使用した点群登録問題とオープンソースの実世界データ セットを使用した LiDAR オドメトリでアルゴリズムをテストします。
既存のアプローチには、残差スケール パラメーターの追加の手動調整が必要であり、私たちの方法はデータから直接学習し、同等以上のパフォーマンスを発揮することを示します。
さらに、アルゴリズムのパフォーマンスを向上させるためにスケールと形状のパラメーターを分離するというアイデアを示します。
提案されたアプローチの利点を示すために、文献からの同様のよく知られたアルゴリズムとの比較とともにアルゴリズムの詳細な分析を提供します。

要約(オリジナル)

In this article, we present a method for increasing adaptivity of an existing robust estimation algorithm by learning two parameters to better fit the residual distribution. The analyzed method uses these two parameters to calculate weights for Iterative Re-weighted Least Squares. This adaptive nature of the weights can be helpful in situations where the noise level varies in the measurements. We test our algorithm first on the point cloud registration problem with synthetic data sets and LiDAR odometry with open source real-world data sets. We show that the existing approach needs an additional manual tuning of a residual scale parameter which our method directly learns from data and has similar or better performance. We further present the idea of decoupling scale and shape parameters to improve performance of the algorithm. We give detailed analysis of our algorithm along with its comparison with similar well-known algorithms from literature to show the benefits of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google