NVIDIA 德克薩斯大學，奧斯丁和加州理工學院的研究人員開發了一種簡單、高效、即插即用的不確定性量化方法，用于六自由度（自由度）物體姿態估計任務，使用 K 預先訓練的估計器與不同的體系結構和/或訓練數據源的集合。
研究人員在 2021 年國際機器人與自動化會議（ ICRA 2021 ）上發表了他們的論文“ 用于深部目標姿態估計的快速不確定性量化（ FastUQ ） ”。
FastUQ 主要研究深部目標姿態估計的不確定性量化問題。在基于深度學習的目標姿態估計中（參見 NVIDIA DOPE ），一個很大的挑戰是基于深度學習的姿態估計器 MIG 不能對其姿態預測過于自信。
例如，下面的兩個圖是操縱任務中來自攝影模型的“番茄醬”對象的姿勢估計結果。兩個結果都很有把握，但左一個是不正確的。
解決的另一個挑戰是 sim2real 缺口。通常，基于深度學習的姿態估計器是從合成數據集（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實世界并量化不確定性。例如，左圖來自合成 NViSII 數據集，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估計模型，并從 NVIDIA 的光線跟蹤渲染器 NViSII 提供真實感合成數據
為了訓練深度估計和生成高保真的真實感合成數據集，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，包括更穩健和安全的感知，以及不確定性感知控制和規劃。
要了解更多有關研究的信息，請訪問 FastUQ 項目網站 。
感謝加州理工學院的史冠亞，他在這篇博文的數字和文字上的幫助。
