Learning Observation Models with Incremental Non-Differentiable Graph Optimizers in the Loop for Robotics State Estimation

要約

ループ内で増分非微分可能オプティマイザを使用してロボット状態推定のための観察モデルを学習する問題を検討します。
ロボットの状態に対する正しい信念への収束は、オプティマイザーへの入力として機能する観察モデルの適切な調整に大きく依存します。
我々は、目に見えないロボットテストの軌道上の追跡精度によって測定される既存の最先端の方法と比較して、はるかに優れた品質のソリューションをもたらすモデル推定にはるかに迅速に収束する勾配ベースの学習方法を提案します。

要約(オリジナル)

We consider the problem of learning observation models for robot state estimation with incremental non-differentiable optimizers in the loop. Convergence to the correct belief over the robot state is heavily dependent on a proper tuning of observation models which serve as input to the optimizer. We propose a gradient-based learning method which converges much quicker to model estimates that lead to solutions of much better quality compared to an existing state-of-the-art method as measured by the tracking accuracy over unseen robot test trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google