首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

基于模型使用贝叶斯视点方法的鲁棒分类算法和定位不确定度

每天一分钟,带你读遍机器人顶级会议文章

标题:Bayesian Viewpoint-Dependent Robust Classification under Model andLocalization Uncertainty

作者:Yuri Feldman and Vadim Indelman

来源:2018 IEEE International Conference on Robotics and Automation (ICRA)May 21-25, 2018, Brisbane, Australia

编译:董文正

审核:颜青松,陈世浪

欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权

摘要

我们提出了一种利用黑盒子贝叶斯分类器,能够从多个视图观察到感兴趣对象的鲁棒视觉分类算法,即使存在明显模糊和分类器噪声以及定位误差的情况下,它仍能够提供不确定度。分类器输出的融合考虑了视点的依赖性和空间相关性,以及当进行这些观察时所观测到的位姿具有不确定性,以及分类器本身提供的置信度。实验证明了与现有技术相比,我们的算法更具鲁棒性。

图1 已知对象周围相对位置,根据分类器输出样本(整个分类向量)创建类别的GP模型。在我们的模拟场景中,为每个类别手动指定了样本及其位置。

图2 机器人沿轨道在感兴趣的对象附近获取观察。在每个时间步骤中,分类器输出反映模型不确定性的分类向量云,不同于单个向量测量(红点)或其他方法中的组件。

图3 模型不确定性的场景(没有定位误差)。在[0,0,3]中选择的噪声观察的标准偏差。左:地面实况类的GP模型和机器人轨迹上的模拟(噪声)分类器测量的平均值,第一标签对第二标签响应的响应图。更强烈的颜色对应于以后的时间指数。中心和右:分别是时间指数的第一和第二组成部分。

图4 左栏:正确类别的概率,中间:MGR,右:MSDE。最左边一列中的图例显示了最可能的类是正确类的时间步长百分比。颜色贴片表示相应方法的百分位数,亮度中的一个步骤表示10%百分位数步长,中位数绘制得最暗,因此中位数周围的补丁包括第40和第60百分位数之间的值,下一个最暗的第30和第70百分位数之间的值。虚线表示无信息先验(标签的概率为1/3)。顶行:我们的方法与基于模型的比较,底行:简单贝叶斯。虽然我们方法中正确类别的概率上升缓慢,但它在实现的波动明显较小,并且更频繁地选择正确的类别。在两个图中,简单贝叶斯方法在模型中存在“逆”测量(参见第V-B.1节)时表现不佳,时间指数为15。

图5 在x轴上具有定位偏差的情况。时间索引对应于x坐标(机器人运动是沿x轴方向的直线)。左:与之前一样,模拟分类器输出从地面实况类的GP生成。中心:我们专注于第2类的响应(分类向量的第2部分)。分类器输出(红色)在真实位置匹配基础真值类别(蓝色)的GP。右:x轴偏差意味着分类器输出有效地与移位模型进行比较,更好地匹配错误类别的GP(黄色)。除非考虑到定位不确定性,否则会导致分类错误。

图6 左栏:正确类别的概率,中间:MGR,右:MSDE。x轴中-8个单位的局部化偏差导致基于模型的方法中的严重混叠,导致以高置信度推断出错误的类。我们的方法知道标准偏差16的定位不确定性,并且能够恢复。简单的贝叶斯方法不会出现锯齿,因为它直接使用原始测量,而不是将它们与模型匹配。

图7 模拟分类器在步骤k输出的算法过程。

Abstract

We propose an algorithm for robust visual classification of an object of interest observed from multiple viewsusing a black-box Bayesian classifier which provides a measureof uncertainty, in the presence of significant ambiguity andclassifier noise, and of localization error. The fusion of classifieroutputs takes into account viewpoint dependency and spatialcorrelation among observations, as well as pose uncertaintywhen these observations are taken and a measure of confidenceprovided by the classifier itself. Our experiments confirm animprovement in robustness over state-of-the-art.

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190831A03CFC00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券