Unsupervised Active Visual Search with Monte Carlo planning under Uncertain Detections

要約

本論文では、2Dフロアマップが唯一の既知の情報である環境中の物体を能動的に視覚的に探索するための解決策を提案する。我々のソリューションは、最新の手法と比較して、より妥当性が高く、検出器の故障に対して頑健である3つの主要な特徴を持っている： (i) 学習セッションを必要としないため、教師なしである。(ii) 探索中、2Dフロアマップ上の確率分布は直感的なメカニズムに従って更新され、改良された信念更新はエージェントの探索の有効性を向上させる。(iii) 特定の検出器の成功統計値を利用することで、物体検出器が失敗する可能性を前述の確率モデリングに取り込むことができる。我々のソリューションは、POMP-BE-PD（Pomcp-based Online Motion Planning with Belief by Exploration and Probabilistic Detection）と名付けられました。これは、エージェントの現在のポーズとRGB-D観測値を用いて、モンテカルロ計画手法で解かれたPOMDPを利用し、最適な探索方針を学習するものである。Active Vision Databaseベンチマークでは、競合手法と比較して、すべての環境での平均成功率を35%向上させ、平均経路長を4%減少させることに成功した。このように、我々の結果は、学習手順を用いない場合でも、最先端である。

要約(オリジナル)

We propose a solution for Active Visual Search of objects in an environment, whose 2D floor map is the only known information. Our solution has three key features that make it more plausible and robust to detector failures compared to state-of-the-art methods: (i) it is unsupervised as it does not need any training sessions. (ii) During the exploration, a probability distribution on the 2D floor map is updated according to an intuitive mechanism, while an improved belief update increases the effectiveness of the agent’s exploration. (iii) We incorporate the awareness that an object detector may fail into the aforementioned probability modelling by exploiting the success statistics of a specific detector. Our solution is dubbed POMP-BE-PD (Pomcp-based Online Motion Planning with Belief by Exploration and Probabilistic Detection). It uses the current pose of an agent and an RGB-D observation to learn an optimal search policy, exploiting a POMDP solved by a Monte-Carlo planning approach. On the Active Vision Database benchmark, we increase the average success rate over all the environments by a significant 35% while decreasing the average path length by 4% with respect to competing methods. Thus, our results are state-of-the-art, even without using any training procedure.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL