预测模型的概率不确定性量化及其在视觉定位中的应用

摘要

本文介绍了预测模型的概率不确定性量化及其在视觉定位中的应用。预测模型的不确定性量化对于其在很多机器人应用中的使用至关重要。它与做出准确预测同样重要，尤其是对于自动驾驶等安全性非常关键的应用。本文提出了我们在自动驾驶视觉定位背景下的不确定性量化方法，其中我们从图像中预测位置。本文提出的框架通过创建传感器误差模型来估计概率不确定性，该误差模型将预测模型的内部输出映射到不确定性。传感器误差模型是通过视觉定位的多个图像数据库来创建的，每个数据库都有真值定位结果。我们通过Ithaca365数据集证明了不确定性预测框架的准确性，该数据集包含光照、天气（晴天、雪天、夜晚）的变化以及数据库之间的对齐误差。我们分析了预测不确定性及其与基于卡尔曼滤定位滤波器的结合。结果表明，预测误差变化随着恶劣天气和光照条件而增加，导致更大的不确定性和异常值，这可以通过本文提出的不确定性模型进行预测。此外，我们的概率误差模型使滤波器能够消除特别的传感器门控，因为不确定性会根据输入数据自动地调整模型。

主要贡献

本文的贡献为三方面：

1）本文分析了一种最先进的神经网络，用于在包含多条路径、多种光照和天气条件下的综合数据集上进行视觉定位，以理解这些关键条件下误差是如何变化的；

2）本文提出了一种在不修改基础神经网络或者不需要额外训练的情况下预测不确定性的方法；

3）本文在各种设置下的大型现实世界数据集上验证了我们的方法在视觉定位问题中的有效性，并且证明了它在没有特殊固定的情况下，能够持续输出不确定性估计和高度完整的滤波结果。

论文图片和表格

总结

本文提出了一种通用且正式的概率方法来建模预测（例如神经网络）不确定性，并且在视觉定位问题的背景下进行验证。本文方法包括创建一个传感器误差模型，该模型将内部预测模型的输出（关键点匹配数量）映射到每个数据库的概率不确定性。在推断过程中，我们使用传感器误差模型将关键点匹配数量映射为置信概率和2D协方差。我们通过具有不同天气、光照和传感器失效条件的大规模现实世界自动驾驶数据集来评估本文方法，证明了其在所有条件下能够进行准确的不确定性预测。值得注意的是，我们为每个测量创建不同的误差协方差的方法消除了传感器门控的需求，这些门控由于其非高斯性质而过度敏感。本文方法产生了更鲁棒、性能更好的感知流程。

文章转载自公众号：自动驾驶专栏