Abstract
本稿では、PROBE（PRobabilistic Occupancy BEV Encoding）を提案する。これは学習を用いないLiDARの場所認識記述子であり、各BEVセルの占有をベルヌーイ確率変数としてモデル化する。離散的なポイントクラウドの摂動に頼るのではなく、PROBEは極ヤコビアンを通じて連続的なデカルト平行移動を解析的に確率的に周辺化し、その結果として、
\mathcal{O}(R{\cdot}S) 時間で距離適応型の角度不確実性
\sigma_\theta = \sigma_t / r を得る。主要なパラメータ
\sigma_t は、メートル単位での予測される並進不確実性を表す。これはセンサ非依存の物理量であり、広いセンサ間での汎化性能を高めると同時に、データセットごとの大規模なチューニングの必要性を低減する。ペアワイズの類似度は、ベルヌーイ-KLヤッカードと、指数型の不確実性ゲーティング、さらに回転整合のためのFFTベースの高さコサイン類似度を組み合わせて計算する。4種類の多様なLiDARタイプにまたがる4つのデータセットで評価したところ、PROBEはマルチセッション評価においてハンドクラフト記述子として最高精度を達成し、さらに単一セッション評価でもハンドクラフト手法および教師ありベースラインの双方に対して競争力のある性能を示す。ソースコードおよび補足資料は https://sites.google.com/view/probe-pr で利用可能である。
