Actieve Neurale Mapping

Samenvatting

We behandelen het probleem van actieve mapping met een continu geleerde neurale scène-representatie, namelijk Actieve Neurale Mapping. De kern ligt in het actief vinden van de doelruimte die moet worden verkend met efficiënte agentbewegingen, waardoor de onzekerheid van de kaart on-the-fly wordt geminimaliseerd binnen een voorheen onbekende omgeving. In dit artikel onderzoeken we de gewichtsruimte van het continu geleerde neurale veld en tonen we empirisch aan dat de neurale variabiliteit, de voorspellingsrobustheid tegen willekeurige gewichtsverstoring, direct kan worden gebruikt om de momentane onzekerheid van de neurale kaart te meten. Samen met de continue geometrische informatie die is overgeërfd in de neurale kaart, kan de agent worden geleid om een begaanbaar pad te vinden om geleidelijk kennis van de omgeving te verkrijgen. We presenteren voor het eerst een actief mappingsysteem met een coördinaat-gebaseerde impliciete neurale representatie voor online scène-reconstructie. Experimenten in de visueel realistische Gibson- en Matterport3D-omgevingen demonstreren de effectiviteit van de voorgestelde methode.

English

We address the problem of active mapping with a continually-learned neural scene representation, namely Active Neural Mapping. The key lies in actively finding the target space to be explored with efficient agent movement, thus minimizing the map uncertainty on-the-fly within a previously unseen environment. In this paper, we examine the weight space of the continually-learned neural field, and show empirically that the neural variability, the prediction robustness against random weight perturbation, can be directly utilized to measure the instant uncertainty of the neural map. Together with the continuous geometric information inherited in the neural map, the agent can be guided to find a traversable path to gradually gain knowledge of the environment. We present for the first time an active mapping system with a coordinate-based implicit neural representation for online scene reconstruction. Experiments in the visually-realistic Gibson and Matterport3D environment demonstrate the efficacy of the proposed method.