[论文解读] Hierarchical Bayesian Noise Inference for Robust Real-time Probabilistic Object Classification

Shayegan Omidshafiei, Brett T. Lopez+2 more|arXiv (Cornell University)|May 3, 2016

Gaussian Processes and Bayesian Inference被引用 7

一句话总结

本文提出了一种分层贝叶斯噪声推断（HBNI）方法，这是一种实时、机载的分类方法，通过在不同物体类别间分层建模分类器输出噪声，提升了概率性物体分类的性能。通过在共享高层噪声特征的同时推断各类别的噪声分布，HBNI在噪声大、现实条件复杂的环境中实现了鲁棒的分类——在移动四旋翼飞行器上进行了验证，传统无噪声意识的滤波器在此场景下失效，而HBNI的分类准确率显著优于基线方法。

ABSTRACT

Robust environment perception is essential for decision-making on robots operating in complex domains. Principled treatment of uncertainty sources in a robot's observation model is necessary for accurate mapping and object detection. This is important not only for low-level observations (e.g., accelerometer data), but for high-level observations such as semantic object labels as well. This paper presents an approach for filtering sequences of object classification probabilities using online modeling of the noise characteristics of the classifier outputs. A hierarchical Bayesian approach is used to model per-class noise distributions, while simultaneously allowing sharing of high-level noise characteristics between classes. The proposed filtering scheme, called Hierarchical Bayesian Noise Inference (HBNI), is shown to outperform classification accuracy of existing methods. The paper also presents real-time filtered classification hardware experiments running fully onboard a moving quadrotor, where the proposed approach is demonstrated to work in a challenging domain where noise-agnostic filtering fails.

研究动机与目标

• 为解决由于传感器数据噪声以及训练/测试数据分布不匹配导致的机器人中物体分类不可靠的问题。
• 开发一种实时、机载的过滤方法，通过建模分类器输出的不确定性来提升分类准确率。
• 实现在动态、真实环境中鲁棒推理，这些环境中传统滤波器因高噪声或类别特异性噪声而失效。
• 在移动的机器人平台上验证分层噪声建模在实时、动态场景中的可行性与有效性。

提出的方法

• HBNI 使用分层贝叶斯模型，从分类器输出概率的序列中推断各类别的噪声分布。
• 它将分类概率的方差建模为潜在物体类别的函数，从而实现类别特异性噪声的估计。
• 通过在各类别间共享超先验，提升泛化能力，尤其在观测样本有限时表现更优。
• 采用序列滤波框架，利用噪声概率输出和推断出的噪声参数，动态更新对物体类别的信念。
• 该方法在嵌入式系统（NVIDIA Jetson TK1）上实现，可在移动四旋翼飞行器上以约13 FPS的速度进行实时推理。
• 采用滑动窗口机制，利用最近的帧序列，实现实时动态物体分类。

实验结果

研究问题

• RQ1 分层贝叶斯噪声建模是否能在高噪声、非代表性测试条件下，提升机器人感知中实时物体分类的鲁棒性？
• RQ2 在分类器噪声高且标注数据有限的环境中，HBNI相较于无噪声意识的滤波方法（如SSBF）表现如何？
• RQ3 当分类器输出无信息量（如概率均匀分布）时，HBNI是否仅凭少量观测即可实现准确分类？
• RQ4 该方法是否适用于轻量化机器人平台的实时、机载部署？

主要发现

• 在高噪声条件下（如'Quadrotor'类别），HBNI 显著优于无噪声意识的SSBF方法，后者会以高置信度将'Quadrotor'错误分类为'iRobot'。
• 即使原始概率均匀分布，HBNI 仅用7帧就正确推断出'Quadrotor'的真实类别。
• 在低噪声场景下（如'iRobot'和'Racecar'类别），HBNI 的分类结果与SSBF几乎完全一致，证实其在正常条件下无性能下降。
• 该方法仅依赖机载计算，无需外部再训练，即可在移动四旋翼飞行器上以约13 FPS的速度实现准确、实时的分类。
• 即使训练数据无法代表测试条件，HBNI 仍能成功推断出类别特异性噪声特征，表现出对领域偏移的鲁棒性。
• 硬件实验表明，即使原始分类器输出模糊或噪声大，HBNI 仍能对正确类别保持高置信度。