Mapeamento Neural Ativo

Resumo

Abordamos o problema de mapeamento ativo com uma representação neural de cena aprendida continuamente, denominada Mapeamento Neural Ativo. A chave reside em encontrar ativamente o espaço alvo a ser explorado com movimentos eficientes do agente, minimizando assim a incerteza do mapa em tempo real dentro de um ambiente previamente desconhecido. Neste artigo, examinamos o espaço de pesos do campo neural aprendido continuamente e mostramos empiricamente que a variabilidade neural, a robustez da previsão contra perturbações aleatórias nos pesos, pode ser diretamente utilizada para medir a incerteza instantânea do mapa neural. Juntamente com a informação geométrica contínua herdada no mapa neural, o agente pode ser guiado para encontrar um caminho transponível e gradualmente adquirir conhecimento do ambiente. Apresentamos pela primeira vez um sistema de mapeamento ativo com uma representação neural implícita baseada em coordenadas para reconstrução de cena online. Experimentos nos ambientes visualmente realistas Gibson e Matterport3D demonstram a eficácia do método proposto.

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.