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

要約

この論文では、不確実な環境におけるリアルタイムのセマンティック マッピングのためのモジュール式ニューラル ネットワークを開発します。これは、ニューラル ネットワーク層内のボクセルごとの確率分布を明示的に更新します。
私たちのアプローチは、古典的な確率アルゴリズムの信頼性と最新のニューラル ネットワークのパフォーマンスと効率を組み合わせたものです。
ロボットの認識は現代の微分可能な手法と古典的な明示的な手法に分けられることがよくありますが、リアルタイムで信頼できるパフォーマンスを得るには両方の統合が必要です。
共役事前確率を利用して、深さ方向の畳み込み層を通じてセマンティック セグメンテーション予測をオンラインで 3D マップに組み込む、新しい畳み込みベイジアン カーネル推論 (ConvBKI) 層を導入します。
ConvBKI を最先端の深層学習アプローチおよびマッピングの確率的アルゴリズムと比較して、信頼性とパフォーマンスを評価します。
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、現実世界の知覚的に困難なオフロード走行データでテストします。

要約(オリジナル)

In this paper, we develop a modular neural network for real-time 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, Google