NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms

要約

この研究では、ニューラル アルゴリズム推論 (NAR) フレームワークを通じてニューラル ネットワークと古典的なロボット工学アルゴリズムの交差点を調査し、実行方法を学習することで古典的なロボット工学アルゴリズムと同様に効果的に推論できるようにニューラル ネットワークを訓練することができます。
アルゴリズムは、論理的および数学的原理を通じて予測可能で一貫したパフォーマンスを発揮するため、ロボット工学や安全性が重要なアプリケーションに不可欠です。
対照的に、ニューラル ネットワークは適応性が高く、複雑な高次元データを処理し、複数のタスクにわたって一般化しますが、多くの場合、内部計算の解釈可能性と透明性に欠けています。
我々は、古典的な ICP ベースの点群登録アルゴリズムの中間アルゴリズム ステップを学習するグラフ ニューラル ネットワーク (GNN) ベースの学習フレームワークである NAR-*ICP を提案し、古典的なロボット認識アルゴリズムを使用して CLRS アルゴリズム推論ベンチマークを拡張します。
私たちは、実世界から合成までの多様なデータセットにわたるアプローチを評価し、複雑でノイズの多い入力を処理する柔軟性と、より大規模な学習システムの一部として使用できる可能性を実証します。
私たちの結果は、私たちの手法がすべてのベンチマークとデータセットにわたって優れたパフォーマンスを達成し、トレーニングされたアルゴリズムさえも常に上回っており、従来のアルゴリズムの機能を超えて一般化できる能力をさらに実証していることを示しています。

要約(オリジナル)

This study explores the intersection of neural networks and classical robotics algorithms through the Neural Algorithmic Reasoning (NAR) framework, allowing to train neural networks to effectively reason like classical robotics algorithms by learning to execute them. Algorithms are integral to robotics and safety-critical applications due to their predictable and consistent performance through logical and mathematical principles. In contrast, while neural networks are highly adaptable, handling complex, high-dimensional data and generalising across tasks, they often lack interpretability and transparency in their internal computations. We propose a Graph Neural Network (GNN)-based learning framework, NAR-*ICP, which learns the intermediate algorithmic steps of classical ICP-based pointcloud registration algorithms, and extend the CLRS Algorithmic Reasoning Benchmark with classical robotics perception algorithms. We evaluate our approach across diverse datasets, from real-world to synthetic, demonstrating its flexibility in handling complex and noisy inputs, along with its potential to be used as part of a larger learning system. Our results indicate that our method achieves superior performance across all benchmarks and datasets, consistently surpassing even the algorithms it has been trained on, further demonstrating its ability to generalise beyond the capabilities of traditional algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google