Core Concepts
知覚の不確実性を考慮したロバストなパノプティックローカリゼーションとマッピングの重要性
Abstract
ロボットの操作において、知覚の不確実性は避けられない部分である。
現代システムでは畳み込みニューラルネットワーク(CNN)を使用することが一般的であり、適切な不確実性推定が必要である。
uPLAMは、現代の認識と古典的な確率的ローカリゼーションおよびマッピング手法を融合するためにピクセルごとの不確実性推定を使用している。
パーティクルフィルターに基づくローカリゼーション手法も提供されており、知覚の不確実性を活用している。
Deep-learning methods in robot perception systems:
主に高レベルシーン情報抽出に優れた深層学習方法が広く使用されている。
Importance of uncertainty estimates:
知覚アルゴリズムの予測と利用する際には、その不確実性を正しく取り扱うことが重要である。
Proposed methodology for incorporating uncertainties:
不確実性を考慮した地図集約手法や粒子フィルターに基づくローカリゼーション手法が提案されている。
Stats
現代自律システムでは、環境の幾何学的および意味情報を含む地図がナビゲーションに使用されている。
13,185枚の画像から成るMapillary Vistas v2データセットで訓練された知覚ネットワークが使用されている。
Quotes
"The availability of a robust map-based localization system is essential for the operation of many autonomously navigating vehicles."
"Our proposed incorporation of uncertainties leads to more accurate maps with reliable uncertainty estimates and improved localization accuracy."