ConvBKI: Real-Time Probabilistic Semantic Mapping Network with Quantifiable Uncertainty

要約

本論文では、不確実な環境におけるリアルタイムの{color{black}(> 10 Hz)}セマンティックマッピングのためのモジュラーニューラルネットワークを開発する。我々のアプローチは、古典的な確率的アルゴリズムの信頼性と、最新のニューラルネットワークの性能と効率を兼ね備えている。ロボットの知覚は、しばしば最新の微分可能な手法と古典的な明示的手法に分けられるが、リアルタイムで信頼できる性能を得るためには、両者の融合が必要である。我々は、共役事前分布を活用することにより、奥行き方向の畳み込み層を通して3Dマップにセマンティックセグメンテーション予測をオンラインで組み込む、新しい畳み込みベイズカーネル推論（ConvBKI）層を導入する。ConvBKIを最新のディープラーニングアプローチやマッピングのための確率的アルゴリズムと比較し、信頼性と性能を評価する。また、ConvBKIのロボットオペレーティングシステム（ROS）パッケージを作成し、実際の知覚的に困難なオフロード走行データでテストする。

要約(オリジナル)

In this paper, we develop a modular neural network for real-time {\color{black}(> 10 Hz)} semantic mapping in uncertain environments, which explicitly updates per-voxel probabilistic distributions within a neural network layer. Our approach combines the reliability of classical probabilistic algorithms with the performance and efficiency of modern neural networks. Although robotic perception is often divided between modern differentiable methods and classical explicit methods, a union of both is necessary for real-time and trustworthy performance. We introduce a novel Convolutional Bayesian Kernel Inference (ConvBKI) layer which incorporates semantic segmentation predictions online into a 3D map through a depthwise convolution layer by leveraging conjugate priors. We compare ConvBKI against state-of-the-art deep learning approaches and probabilistic algorithms for mapping to evaluate reliability and performance. We also create a Robot Operating System (ROS) package of ConvBKI and test it on real-world perceptually challenging off-road driving data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL