Introspective Perception for Mobile Robots

要約

不確実性の推定値を提供する知覚アルゴリズムは、困難で制御されていない環境でも動作できる自律ロボットの開発にとって重要です。
このような認識アルゴリズムは、計画を立てるときにタスクを正常に完了する可能性について推論するリスク認識ロボットを持たせるための手段を提供します。
不確実性のモデルを備えた知覚アルゴリズムが存在します。
ただし、これらのモデルは多くの場合、完全なデータの関連付けなど、現実世界には当てはまらない仮定に基づいて開発されています。
したがって、結果として推定される不確実性は弱い下限になります。
この問題に取り組むために、我々は、移動ロボットに導入された知覚アルゴリズムの不確実性の正確な推定値を予測するための新しいアプローチである内省的知覚を提案します。
移動ロボットによって収集されたデータに自然に存在するセンシングの冗長性と一貫性の制約を利用することにより、内省的知覚は、展開環境における自律的に監視された方法で知覚アルゴリズムの誤差分布の経験的モデルを学習します。
この論文では、内省的知覚の一般理論を提示し、2 つの異なる知覚タスクの成功した実装を実証します。
我々は、内省的なステレオ奥行き推定と内省的な視覚的同時位置推定とマッピングのための困難な実際のロボットデータに関する経験的結果を提供し、ロボットが不確実性を高精度で予測する方法を学習し、この情報を活用して自律移動ロボットの状態推定誤差を大幅に削減することを示します。

要約(オリジナル)

Perception algorithms that provide estimates of their uncertainty are crucial to the development of autonomous robots that can operate in challenging and uncontrolled environments. Such perception algorithms provide the means for having risk-aware robots that reason about the probability of successfully completing a task when planning. There exist perception algorithms that come with models of their uncertainty; however, these models are often developed with assumptions, such as perfect data associations, that do not hold in the real world. Hence the resultant estimated uncertainty is a weak lower bound. To tackle this problem we present introspective perception – a novel approach for predicting accurate estimates of the uncertainty of perception algorithms deployed on mobile robots. By exploiting sensing redundancy and consistency constraints naturally present in the data collected by a mobile robot, introspective perception learns an empirical model of the error distribution of perception algorithms in the deployment environment and in an autonomously supervised manner. In this paper, we present the general theory of introspective perception and demonstrate successful implementations for two different perception tasks. We provide empirical results on challenging real-robot data for introspective stereo depth estimation and introspective visual simultaneous localization and mapping and show that they learn to predict their uncertainty with high accuracy and leverage this information to significantly reduce state estimation errors for an autonomous mobile robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google