Towards Explaining Uncertainty Estimates in Point Cloud Registration

要約

反復最近接点 (ICP) は、2 つの点群間の変換を推定するために一般的に使用されるアルゴリズムです。
この研究の重要なアイデアは、不確実性の推定を提供する確率的 ICP 手法に説明可能な AI における最近の進歩を活用することです。
具体的には、確率的 ICP 法が特定の出力を生成した理由を説明できる方法を提案します。
私たちの手法はカーネル SHAP (SHapley Additive exPlanations) に基づいています。
これにより、センサー ノイズ、オクルージョン、曖昧な環境など、ICP における一般的な不確実性の原因に重要度の値が割り当てられます。
実験の結果は、この説明方法が不確実性の原因を合理的に説明できることを示しており、人間が解釈できる方法でいつ失敗したか、なぜ失敗したかを認識するロボットへの一歩を提供します。

要約(オリジナル)

Iterative Closest Point (ICP) is a commonly used algorithm to estimate transformation between two point clouds. The key idea of this work is to leverage recent advances in explainable AI for probabilistic ICP methods that provide uncertainty estimates. Concretely, we propose a method that can explain why a probabilistic ICP method produced a particular output. Our method is based on kernel SHAP (SHapley Additive exPlanations). With this, we assign an importance value to common sources of uncertainty in ICP such as sensor noise, occlusion, and ambiguous environments. The results of the experiment show that this explanation method can reasonably explain the uncertainty sources, providing a step towards robots that know when and why they failed in a human interpretable manner

arxiv情報

提供元, 利用サービス

arxiv.jp, Google