Deep Normalizing Flows for State Estimation

要約

安全で信頼性の高い状態推定技術は、次世代ロボット システムの重要なコンポーネントです。
このようなシステムのエージェントは、安全かつ効率的な動作計画を立てるために、他のエージェントの意図と軌道を推論できなければなりません。
ただし、ガウス フィルターなどの古典的な状態推定手法には、特にシステム ダイナミクスが高度に非線形である場合や相互作用の結果がマルチモーダルである場合、複雑な基礎となる分布を表現するための表現力が不足していることがよくあります。
この研究では、正規化フローを使用して、エージェントの真の状態に対する信念の表現表現を学習します。
さらに、より表現力豊かなディープ ニューラル ネットワーク アーキテクチャを使用してフローをパラメータ化することで、フローを正規化するための既存のアーキテクチャを改善します。
2 つのロボット状態推定タスクで私たちの方法を評価し、私たちのアプローチが古典的および最新の深層学習ベースの状態推定ベースラインよりも優れていることを示します。

要約(オリジナル)

Safe and reliable state estimation techniques are a critical component of next-generation robotic systems. Agents in such systems must be able to reason about the intentions and trajectories of other agents for safe and efficient motion planning. However, classical state estimation techniques such as Gaussian filters often lack the expressive power to represent complex underlying distributions, especially if the system dynamics are highly nonlinear or if the interaction outcomes are multi-modal. In this work, we use normalizing flows to learn an expressive representation of the belief over an agent’s true state. Furthermore, we improve upon existing architectures for normalizing flows by using more expressive deep neural network architectures to parameterize the flow. We evaluate our method on two robotic state estimation tasks and show that our approach outperforms both classical and modern deep learning-based state estimation baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google