In this work, we present a method for tracking and learning the dynamics of all objects in a large scale robot environment. A mobile robot patrols the environment and visits the different locations one by one. Movable objects are discovered by change detection, and tracked throughout the robot deployment. For tracking, we extend the Rao-Blackwellized particle filter of previous work with birth and death processes, enabling the method to handle an arbitrary number of objects. Target births and associations are sampled using Gibbs sampling. The parameters of the system are then learnt using the Expectation Maximization algorithm in an unsupervised fashion. The system therefore enables learning of the dynamics of one particular environment, and of its objects. The algorithm is evaluated on data collected autonomously by a mobile robot in an office environment during a real-world deployment. We show that the algorithm automatically identifies and tracks the moving objects within 3D maps and infers plausible dynamics models, significantly decreasing the modeling bias of our previous work. The proposed method represents an improvement over previous methods for environment dynamics learning as it allows for learning of fine grained processes.


翻译:在这项工作中,我们提出了一个在大型机器人环境中跟踪和学习所有物体动态的方法。 一个移动机器人在环境中巡逻,逐个访问不同地点。 通过变化探测发现可移动物体,并在整个机器人部署过程中跟踪。为了跟踪,我们扩展了先前工作与出生和死亡过程的Rao-Breakwellized粒子过滤器,使处理任意数量物体的方法得以使用Gibbs取样方法。目标出生和关联。然后使用未受监督的方式使用期望最大化算法来学习系统的参数。因此,该系统能够了解特定环境及其对象的动态。在实际部署期间,对由移动机器人在办公室环境中自动收集的数据进行评估。我们显示算法自动识别和跟踪3D地图中的移动物体,并推断出合理的动态模型,大大缩小了我们先前工作的模型偏差。拟议方法表明,在学习精细粒过程时,比以往的环境动态学习方法有所改进。

6
下载
关闭预览

相关内容

零样本文本分类,Zero-Shot Learning for Text Classification
专知会员服务
83+阅读 · 2020年5月31日
专知会员服务
130+阅读 · 2020年1月16日
跟踪SLAM前沿动态系列之ICCV2019
泡泡机器人SLAM
7+阅读 · 2019年11月23日
ICRA 2019 论文速览 | 基于Deep Learning 的SLAM
计算机视觉life
41+阅读 · 2019年7月22日
Hierarchically Structured Meta-learning
CreateAMind
14+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
12+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
9+阅读 · 2019年1月2日
STRCF for Visual Object Tracking
统计学习与视觉计算组
13+阅读 · 2018年5月29日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
10+阅读 · 2018年4月27日
计算机视觉近一年进展综述
机器学习研究会
7+阅读 · 2017年11月25日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
Learning Discriminative Model Prediction for Tracking
Joint Monocular 3D Vehicle Detection and Tracking
Arxiv
8+阅读 · 2018年12月2日
Arxiv
5+阅读 · 2018年4月30日
Arxiv
8+阅读 · 2018年3月20日
VIP会员
相关VIP内容
零样本文本分类,Zero-Shot Learning for Text Classification
专知会员服务
83+阅读 · 2020年5月31日
专知会员服务
130+阅读 · 2020年1月16日
相关资讯
跟踪SLAM前沿动态系列之ICCV2019
泡泡机器人SLAM
7+阅读 · 2019年11月23日
ICRA 2019 论文速览 | 基于Deep Learning 的SLAM
计算机视觉life
41+阅读 · 2019年7月22日
Hierarchically Structured Meta-learning
CreateAMind
14+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
12+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
9+阅读 · 2019年1月2日
STRCF for Visual Object Tracking
统计学习与视觉计算组
13+阅读 · 2018年5月29日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
10+阅读 · 2018年4月27日
计算机视觉近一年进展综述
机器学习研究会
7+阅读 · 2017年11月25日
Top
微信扫码咨询专知VIP会员