Bayesian Heuristics for Robust Spatial Perception

要約

空間認識は、ロボット工学やコンピューター ビジョンなどのいくつかのマシン インテリジェンス アプリケーションにおいて重要なタスクです。
一般に、システムの状態を表す隠れた変数の非線形推定が含まれます。
ただし、測定値の外れ値が存在する場合、標準の非線形最小二乗公式では推定値が不十分になります。
文献では、推定プロセスの信頼性を向上させるためにいくつかの方法が検討されています。
計算コストが高いため、保証されたグローバルでロバストな推定は一般に実用的ではないため、ほとんどの方法はヒューリスティックに基づいています。
最近、初期推定を必要とせずに外れ値のない定式化に利用できる既存の非最小ソルバーを活用する、汎用のロバスト推定ヒューリスティックが提案されています。
この研究では、同様の構造を持つ 3 つのベイジアン ヒューリスティックを提案します。
これらのヒューリスティックを実際のシナリオで評価し、3D 点群の登録、メッシュの登録、ポーズ グラフの最適化などのさまざまなアプリケーションにおけるメリットを実証します。
私たちの提案が提供する一般的な計算上の利点により、それらは空間認識タスクの魅力的な候補になります。

要約(オリジナル)

Spatial perception is a key task in several machine intelligence applications such as robotics and computer vision. In general, it involves the nonlinear estimation of hidden variables that represent the system’s state. However, in the presence of measurement outliers, the standard nonlinear least squared formulation results in poor estimates. Several methods have been considered in the literature to improve the reliability of the estimation process. Most methods are based on heuristics since guaranteed global robust estimation is not generally practical due to high computational costs. Recently general purpose robust estimation heuristics have been proposed that leverage existing non-minimal solvers available for the outlier-free formulations without the need for an initial guess. In this work, we propose three Bayesian heuristics that have similar structures. We evaluate these heuristics in practical scenarios to demonstrate their merits in different applications including 3D point cloud registration, mesh registration and pose graph optimization. The general computational advantages our proposals offer make them attractive candidates for spatial perception tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google