uPLAM: Robust Panoptic Localization and Mapping Leveraging Perception Uncertainties

要約

自動運転車の運用には、信頼性の高い地図と堅牢な位置特定システムを利用できることが重要です。
最新のシステムでは、マッピング ソリューションと位置特定ソリューションの両方で、畳み込みニューラル ネットワーク (CNN) ベースの認識が一般に採用されています。
したがって、安全で堅牢な機能を実現するには、どのアルゴリズムでも潜在的な認識エラーを考慮する必要があります。
この研究では、知覚情報を古典的な位置特定およびマッピングのアプローチと融合するためのブリッジとして知覚の不確実性を採用する、不確実性認識パノプティック位置特定およびマッピング (uPLAM) を紹介します。
不確実性ベースの地図集約手法を導入して、長期にわたるパノラマ鳥瞰図地図を作成し、関連する地図の不確実性を提供します。
私たちのマップは、一意の ID を持つサーフェス セマンティクスとランドマークで構成されています。
さらに、パノプティック不確実性を認識した粒子フィルターベースの位置特定を紹介します。
この目的を達成するために、位置特定に知覚情報を適応的に組み込むための不確実性に基づく粒子重要度重み計算を提案します。
また、長期パノプティック マッピングと地図ベースの位置特定を評価するための新しいデータセットも紹介します。
広範な評価により、私たちが提案した不確実性の組み込みが、信頼性の高い不確実性推定と正確な位置特定によるより良いマッピングにつながることが示されました。
データセットとコードは \url{http://uplam.cs.uni-freiburg.de} から入手できます。

要約(オリジナル)

The availability of a reliable map and a robust localization system is critical for the operation of an autonomous vehicle. In a modern system, both mapping and localization solutions generally employ convolutional neural network (CNN) –based perception. Hence, any algorithm should consider potential errors in perception for safe and robust functioning. In this work, we present uncertainty-aware panoptic Localization and Mapping (uPLAM), which employs perception uncertainty as a bridge to fuse the perception information with classical localization and mapping approaches. We introduce an uncertainty-based map aggregation technique to create a long-term panoptic bird’s eye view map and provide an associated mapping uncertainty. Our map consists of surface semantics and landmarks with unique IDs. Moreover, we present panoptic uncertainty-aware particle filter-based localization. To this end, we propose an uncertainty-based particle importance weight calculation for the adaptive incorporation of perception information into localization. We also present a new dataset for evaluating long-term panoptic mapping and map-based localization. Extensive evaluations showcase that our proposed uncertainty incorporation leads to better mapping with reliable uncertainty estimates and accurate localization. We make our dataset and code available at: \url{http://uplam.cs.uni-freiburg.de}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google