NVIDIA 德克薩斯大學，奧斯丁和加州理工學院的研究人員開發(fā)了一種簡單、高效、即插即用的不確定性量化方法，用于六自由度（自由度）物體姿態(tài)估計任務，使用 K 預先訓練的估計器與不同的體系結(jié)構(gòu)和/或訓練數(shù)據(jù)源的集合。

研究人員在 2021 年國際機器人與自動化會議（ ICRA 2021 ）上發(fā)表了他們的論文“ 用于深部目標姿態(tài)估計的快速不確定性量化（ FastUQ ） ”。

FastUQ 主要研究深部目標姿態(tài)估計的不確定性量化問題。在基于深度學習的目標姿態(tài)估計中（參見 NVIDIA DOPE ），一個很大的挑戰(zhàn)是基于深度學習的姿態(tài)估計器 MIG 不能對其姿態(tài)預測過于自信。

例如，下面的兩個圖是操縱任務中來自攝影模型的“番茄醬”對象的姿勢估計結(jié)果。兩個結(jié)果都很有把握，但左一個是不正確的。

解決的另一個挑戰(zhàn)是 sim2real 缺口。通常，基于深度學習的姿態(tài)估計器是從合成數(shù)據(jù)集（由 NVIDIA 的光線跟蹤渲染器 NViSII ）中訓練出來的，但是我們希望將這些估計器應用于現(xiàn)實世界并量化不確定性。例如，左圖來自合成 NViSII 數(shù)據(jù)集，右圖來自真實世界。

在本計畫中，我們提出一種基于集合的方法來快速量化基于深度學習的姿態(tài)估計器的不確定性。這一想法在下面兩幅圖中得到了證明，在左邊的圖中，集合中的深層模型彼此不一致，這意味著更多的不確定性；在右圖中，這些模型彼此一致，反映了較少的不確定性。

這項研究絕對是跨學科的，由 NVIDIA 的不同研究團隊共同努力解決：

由 Anima Anandkumar 領導的人工智能算法團隊和西雅圖的 NVIDIA 人工智能機器人研究實驗室正在研究不確定性量化方法

Jan Kautz 領導的學習和感知研究團隊負責訓練深部物體姿態(tài)估計模型，并從 NVIDIA 的光線跟蹤渲染器 NViSII 提供真實感合成數(shù)據(jù)

為了訓練深度估計和生成高保真的真實感合成數(shù)據(jù)集，團隊使用 NVIDIA V100GPU 和 NVIDIA OptiX （ C ++ / CUDA 后端）進行加速。

FastUQ 是一種新的用于深部目標姿態(tài)估計的快速不確定性量化方法，具有高效、即插即用的特點，支持一類通用的姿態(tài)估計任務。這項研究在自主駕駛和一般自主性方面具有潛在的重大影響，包括更穩(wěn)健和安全的感知，以及不確定性感知控制和規(guī)劃。

關于作者

Yuke Zhu 是 NVIDIA 人工智能算法團隊的研究員。他獲得了碩士和博士學位。斯坦福大學的學位。他的博士學位。論文圍繞閉合感知 - 動作回路，使機器人智能更具普遍性，更適用于控制較少的環(huán)境。他的研究處于機器人學、機器學習和計算機視覺的交叉點。他開發(fā)了感知和控制的計算方法，產(chǎn)生了智能機器人的行為。通過他的工作，他渴望教會機器人理解周圍的視覺世界并與之互動。他的專業(yè)知識得到了各種新聞媒體、領先科技機構(gòu)和獎項機構(gòu)的關注。他的作品曾多次獲得獎項和提名，包括 ICRA 2019 年最佳會議論文獎。他的作品曾被麻省理工學院技術評論和斯坦福新聞等媒體報道。

審核編輯：郭婷