論文の概要: Distance and Collision Probability Estimation from Gaussian Surface
Models
- arxiv url: http://arxiv.org/abs/2402.00186v1
- Date: Wed, 31 Jan 2024 21:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:27:25.119242
- Title: Distance and Collision Probability Estimation from Gaussian Surface
Models
- Title(参考訳): ガウス面モデルによる距離と衝突確率の推定
- Authors: Kshitij Goel and Wennie Tabib
- Abstract要約: 連続空間衝突確率推定は不確実性を考慮した運動計画に重要である。
ほとんどの衝突検出と回避アプローチは、ロボットが球体としてモデル化されていると仮定するが、楕円形表現はより厳密な近似を与える。
最先端の手法は、原点雲を加工することでユークリッド距離と勾配を導出する。
- 参考スコア(独自算出の注目度): 1.0878040851638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes continuous-space methodologies to estimate the collision
probability, Euclidean distance and gradient between an ellipsoidal robot model
and an environment surface modeled as a set of Gaussian distributions.
Continuous-space collision probability estimation is critical for
uncertainty-aware motion planning. Most collision detection and avoidance
approaches assume the robot is modeled as a sphere, but ellipsoidal
representations provide tighter approximations and enable navigation in
cluttered and narrow spaces. State-of-the-art methods derive the Euclidean
distance and gradient by processing raw point clouds, which is computationally
expensive for large workspaces. Recent advances in Gaussian surface modeling
(e.g. mixture models, splatting) enable compressed and high-fidelity surface
representations. Few methods exist to estimate continuous-space occupancy from
such models. They require Gaussians to model free space and are unable to
estimate the collision probability, Euclidean distance and gradient for an
ellipsoidal robot. The proposed methods bridge this gap by extending prior work
in ellipsoid-to-ellipsoid Euclidean distance and collision probability
estimation to Gaussian surface models. A geometric blending approach is also
proposed to improve collision probability estimation. The approaches are
evaluated with numerical 2D and 3D experiments using real-world point cloud
data.
- Abstract(参考訳): 本稿では, 楕円型ロボットモデルとガウス分布の集合としてモデル化された環境表面との衝突確率, ユークリッド距離, 勾配を推定するための連続空間法について述べる。
連続空間衝突確率推定は不確実性を考慮した運動計画に重要である。
ほとんどの衝突検出と回避アプローチは、ロボットが球体としてモデル化されていると仮定するが、楕円形表現はより厳密な近似を提供し、散らばった狭い空間でのナビゲーションを可能にする。
最先端の手法は、大きなワークスペースに計算コストがかかる原点雲を処理してユークリッド距離と勾配を導出する。
ガウス曲面モデリング(例えば混合モデル、スプラッティング)の最近の進歩は、圧縮された高忠実な表面表現を可能にする。
そのようなモデルから連続空間占有率を推定する方法はほとんどない。
彼らはガウスに自由空間をモデル化することを求め、楕円体ロボットの衝突確率、ユークリッド距離、勾配を推定できない。
提案手法は, 楕円-楕円-ユークリッド距離における先行作業を延長し, ガウス面モデルへの衝突確率推定により, このギャップを橋渡しする。
衝突確率推定を改善するために幾何学的ブレンド手法も提案されている。
本手法は実世界の点雲データを用いて数値2次元および3次元実験により評価した。
関連論文リスト
- Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - Diffeomorphic Deformation via Sliced Wasserstein Distance Optimization
for Cortical Surface Reconstruction [43.160141829169]
この計量は、セットベースのアプローチを一般化する確率測度として表されるメッシュ上のワッサーシュタイン距離をスライスして定義される。
我々は、入力表面をターゲット形状に変形させるために、ニューラルネットワークの常微分方程式(ODE)を用いて、表面上の点の軌跡をモデル化する。
大脳皮質表面の再構成実験は、複数のデータセットやメトリクスにおいて、我々のアプローチが他の競合する手法を上回ることを示した。
論文 参考訳(メタデータ) (2023-05-27T19:10:19Z) - Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
本研究では,測地線長を最小化するための既存の手法をまず解析する。
次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。
第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
論文 参考訳(メタデータ) (2023-05-24T15:09:41Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Exact and Bounded Collision Probability for Motion Planning under
Gaussian Uncertainty [1.3535770763481902]
本稿では,ガウス分布運動下での衝突確率の計算手法を提案する。
衝突条件は楕円体間の距離として定式化される。
オンラインプランニングにおいて、より高速に計算できる、厳密な上限を提供します。
論文 参考訳(メタデータ) (2021-10-12T20:45:18Z) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳(メタデータ) (2021-09-18T03:05:44Z) - Gaussian Process Subspace Regression for Model Reduction [7.41244589428771]
部分空間値関数はパラメトリック・リダクション・オーダー・モデリング(PROM)を含む幅広い問題に現れる。
PROM では、各パラメータ点は、大きな系行列のペトロフ・ガレルキン射影に使用される部分空間に関連付けることができる。
本稿では,サブスペース予測のための新しいベイズ非モデルとして,ガウス過程部分空間回帰(GPS)モデルを提案する。
論文 参考訳(メタデータ) (2021-07-09T20:41:23Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳(メタデータ) (2020-06-15T23:00:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。