[论文解读] Hierarchical Evidence Accumulation in the Pseiki System and Experiments in Model-Driven Mobile Robot Navigation

A.C. Kak, Keith M. Andress+3 more|arXiv (Cornell University)|Mar 27, 2013

Robotics and Sensor-Based Localization参考文献 3被引用 7

一句话总结

本文提出了Pseiki系统，该系统通过Dempster-Shafer形式化方法实现分层证据累积，以支持基于模型的、期望驱动的3D场景解释，用于移动机器人导航。通过将感知到的图像抽象与预期的几何层次结构对齐，该系统实现了基于信念的视觉证据融合，从而在真实世界实验中实现了鲁棒的室内导航。

ABSTRACT

In this paper, we will review the process of evidence accumulation in the PSEIKI system for expectation-driven interpretation of images of 3-D scenes. Expectations are presented to PSEIKI as a geometrical hierarchy of abstractions. PSEIKI's job is then to construct abstraction hierarchies in the perceived image taking cues from the abstraction hierarchies in the expectations. The Dempster-Shafer formalism is used for associating belief values with the different possible labels for the constructed abstractions in the perceived image. This system has been used successfully for autonomous navigation of a mobile robot in indoor environments.

研究动机与目标

• 通过期望驱动的视觉解释实现移动机器人在室内环境中的自主导航。
• 开发一种分层证据累积框架，将感知到的图像抽象与预期的几何结构对齐。
• 应用Dempster-Shafer形式化方法，对视觉特征和物体假设进行基于信念的推理。
• 在真实世界的移动机器人导航任务中验证系统有效性。
• 通过跨抽象层级的结构化信念传播，展示在视觉不确定性环境中的鲁棒性。

提出的方法

• 将期望表示为抽象形状及其空间关系的几何层次结构。
• 利用低层次视觉特征在感知图像中构建相应的抽象层次结构。
• 应用Dempster-Shafer理论，基于证据为图像抽象的可能标签分配信念值。
• 从低层次特征到高层次物体解释，分层累积证据。
• 通过多层级间的信念融合，解决模糊性并支持导航决策。
• 将系统集成到移动机器人架构中，实现实时、基于模型的导航。

实验结果

研究问题

• RQ1 如何有效匹配期望与感知场景之间的分层视觉抽象？
• RQ2 何种形式化方法能够实现在视觉解释多层级上的鲁棒信念累积？
• RQ3 基于模型的、期望驱动的系统是否能在复杂室内环境中实现可靠导航？
• RQ4 分层证据累积如何在视觉不确定性存在的情况下提升鲁棒性？
• RQ5 该系统在真实世界移动机器人导航任务中的表现如何？

主要发现

• Pseiki系统成功实现了移动机器人在室内环境中通过期望驱动的视觉解释实现自主导航。
• 采用Dempster-Shafer形式化的分层证据累积方法，在不确定性条件下提升了对物体和场景解释的置信度。
• 系统展示了预期几何层次结构与感知图像结构之间有效的对齐。
• 信念值在抽象层级间有效传播，支持了导航的可靠决策。
• 该方法在真实世界环境中表现出鲁棒性，实验中报告了成功的导航结果。
• 将基于模型的期望与增量式证据累积相结合，增强了场景理解与导航性能。