Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference

要約

ベイジアン カーネル推論 (BKI) を使用したロボット マッピングは、ローカル空間情報を効果的に活用してセマンティック マップを作成する上で有望であることが示されています。
ただし、既存のセマンティック マッピング手法は、信頼性の低いセマンティック予測により、構造化されていない屋外シナリオで信頼性の高いマップを構築する際に課題に直面しています。
この問題に対処するために、知覚的に困難なオフロード環境における信頼性を高めることができる証拠的なセマンティック マッピングを提案します。
Evidential Deep Learning をセマンティック セグメンテーション ネットワークに統合して、セマンティック予測の不確実性推定を取得します。
その後、この意味論的な不確実性は不確実性を認識する BKI に組み込まれ、意味論的な情報を蓄積する際に、より信頼性の高い意味論的な予測を優先するように調整されます。
提案されたフレームワークは、意味論的な不確実性を適応的に処理することにより、これまで見たことのない環境であっても周囲の堅牢な表現を構築します。
さまざまなオフロード データセットにわたる包括的な実験により、私たちのフレームワークが精度と堅牢性を強化し、知覚の不確実性が高いシーンで既存の手法を常に上回るパフォーマンスを発揮することが実証されました。

要約(オリジナル)

Robotic mapping with Bayesian Kernel Inference (BKI) has shown promise in creating semantic maps by effectively leveraging local spatial information. However, existing semantic mapping methods face challenges in constructing reliable maps in unstructured outdoor scenarios due to unreliable semantic predictions. To address this issue, we propose an evidential semantic mapping, which can enhance reliability in perceptually challenging off-road environments. We integrate Evidential Deep Learning into the semantic segmentation network to obtain the uncertainty estimate of semantic prediction. Subsequently, this semantic uncertainty is incorporated into an uncertainty-aware BKI, tailored to prioritize more confident semantic predictions when accumulating semantic information. By adaptively handling semantic uncertainties, the proposed framework constructs robust representations of the surroundings even in previously unseen environments. Comprehensive experiments across various off-road datasets demonstrate that our framework enhances accuracy and robustness, consistently outperforming existing methods in scenes with high perceptual uncertainties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google