Robust Fusion for Bayesian Semantic Mapping

要約

セマンティック情報をマップに統合することで、ロボットは環境をよりよく理解し、高レベルの意思決定を行うことができます。
ここ数年で、ニューラル ネットワークはその認識能力において大きな進歩を遂げました。
ただし、セマンティック マップでニューラル ネットワークからの複数の観測値を融合する場合、未知のデータに対する固有の過信により、外れ値に重みがかかりすぎて、結果のマップの堅牢性が低下します。
この作業では、複数のベイズ意味予測を結合するための新しい堅牢な融合方法を提案します。
私たちの方法は、ベイジアンニューラルネットワークによって提供される不確実性の推定を使用して、測定値が融合される方法を調整します。
これは、観測を正則化して自信過剰な外れ値予測の問題を軽減し、認識論的不確実性を使用して融合におけるそれらの影響を重み付けすることによって行われ、確率分布の異なる定式化をもたらします。
写真のようにリアルなシミュレートされた環境と実際のシーンで実験を行うことにより、堅牢な融合戦略を検証します。
どちらの場合も、さまざまなデータでトレーニングされたネットワークを使用して、モデルをさまざまなデータ分布に公開します。
結果は、モデルの不確実性を考慮し、観測分布の確率分布を正則化すると、他の方法と比較して、セマンティック セグメンテーションのパフォーマンスが向上し、外れ値に対するロバスト性が向上することを示しています。

要約(オリジナル)

The integration of semantic information in a map allows robots to understand better their environment and make high-level decisions. In the last few years, neural networks have shown enormous progress in their perception capabilities. However, when fusing multiple observations from a neural network in a semantic map, its inherent overconfidence with unknown data gives too much weight to the outliers and decreases the robustness of the resulting map. In this work, we propose a novel robust fusion method to combine multiple Bayesian semantic predictions. Our method uses the uncertainty estimation provided by a Bayesian neural network to calibrate the way in which the measurements are fused. This is done by regularizing the observations to mitigate the problem of overconfident outlier predictions and using the epistemic uncertainty to weigh their influence in the fusion, resulting in a different formulation of the probability distributions. We validate our robust fusion strategy by performing experiments on photo-realistic simulated environments and real scenes. In both cases, we use a network trained on different data to expose the model to varying data distributions. The results show that considering the model’s uncertainty and regularizing the probability distribution of the observations distribution results in a better semantic segmentation performance and more robustness to outliers, compared with other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google