Localization Meets Uncertainty: Uncertainty-Aware Multi-Modal Localization

要約

信頼性の高いローカリゼーションは、複雑な屋内環境でのロボットナビゲーションにとって重要です。
このホワイトペーパーでは、予測モデル自体を変更せずにローカリゼーション出力の信頼性を高める不確実性を意識するローカリゼーション方法を提案します。
この研究では、ネットワークが推定するaleatoricおよび認識論の不確実性に基づいて、信頼できない3-DOFポーズ予測を除外するパーセンタイルベースの拒否戦略を導入します。
このアプローチを、RGB画像と2D LIDARデータを融合するマルチモーダルエンドツーエンドのローカリゼーションに適用し、商業化されたサービングロボットを使用して収集された3つの実際のデータセットで評価します。
実験結果は、より厳しい不確実性のしきい値を適用すると、ポーズの精度が一貫して改善されることを示しています。
具体的には、平均位置誤差は、それぞれ90％、80％、および70％のしきい値を適用する場合、それぞれ41.0％、56.7％、および69.4％、平均方向誤差は55.6％、65.7％、73.3％減少します。
さらに、拒否戦略は極端な外れ値を効果的に除去し、地上の真理軌道とのより良い整合をもたらします。
私たちの知る限り、これは、マルチモーダルのエンドツーエンドのローカリゼーションタスクにおけるパーセンタイルベースの不確実性拒絶の利点を定量的に実証する最初の研究です。
私たちのアプローチは、実際の展開におけるローカリゼーションシステムの信頼性と精度を高めるための実用的な手段を提供します。

要約(オリジナル)

Reliable localization is critical for robot navigation in complex indoor environments. In this paper, we propose an uncertainty-aware localization method that enhances the reliability of localization outputs without modifying the prediction model itself. This study introduces a percentile-based rejection strategy that filters out unreliable 3-DoF pose predictions based on aleatoric and epistemic uncertainties the network estimates. We apply this approach to a multi-modal end-to-end localization that fuses RGB images and 2D LiDAR data, and we evaluate it across three real-world datasets collected using a commercialized serving robot. Experimental results show that applying stricter uncertainty thresholds consistently improves pose accuracy. Specifically, the mean position error is reduced by 41.0%, 56.7%, and 69.4%, and the mean orientation error by 55.6%, 65.7%, and 73.3%, when applying 90%, 80%, and 70% thresholds, respectively. Furthermore, the rejection strategy effectively removes extreme outliers, resulting in better alignment with ground truth trajectories. To the best of our knowledge, this is the first study to quantitatively demonstrate the benefits of percentile-based uncertainty rejection in multi-modal end-to-end localization tasks. Our approach provides a practical means to enhance the reliability and accuracy of localization systems in real-world deployments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google