Learning Covariances for Estimation with Constrained Bilevel Optimization

要約

ロボット状態推定のための学習誤差共分散行列の問題を検討します。
ロボットの状態に対する正しい信念への状態推定器の収束は、ノイズ モデルの適切な調整に依存します。
推論中に、これらのモデルは、ヤコビアンのさまざまなブロックと線形化から生じる誤差ベクトルを重み付けるために使用されるため、非線形システムの安定性と収束にさらに影響を与えます。
我々は、因子グラフに対する制約付き二値最適化問題として学習プロセスを定式化することにより、良好に条件付けされた共分散行列を推定する勾配ベースの方法を提案します。
私たちは、さまざまなシミュレーションタスクと現実世界のタスクにわたるベースラインに対してメソッドを評価し、目に見えないテスト軌道での追跡精度の向上によって証明されるように、私たちの手法がより良いソリューションにつながるモデル推定に収束することを実証します。

要約(オリジナル)

We consider the problem of learning error covariance matrices for robotic state estimation. The convergence of a state estimator to the correct belief over the robot state is dependent on the proper tuning of noise models. During inference, these models are used to weigh different blocks of the Jacobian and error vector resulting from linearization and hence, additionally affect the stability and convergence of the non-linear system. We propose a gradient-based method to estimate well-conditioned covariance matrices by formulating the learning process as a constrained bilevel optimization problem over factor graphs. We evaluate our method against baselines across a range of simulated and real-world tasks and demonstrate that our technique converges to model estimates that lead to better solutions as evidenced by the improved tracking accuracy on unseen test trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google