动作条件潜在卡尔曼滤波用于可变形对象操作的鲁棒时空状态估计

《Scientific Reports》：Action-conditioned latent Kalman filtering for robust spatio-temporal state estimation of deformable object

　　

摘要

从含噪观测中进行鲁棒的时空状态估计是机器人操作中的一个关键挑战。当前基于动态点云推导的潜在空间表示常常受到严重的感知噪声和遮挡的影响，导致轨迹不连续和明显的时序抖动。为缓解这些伪影，我们提出了一种动作条件潜在卡尔曼滤波（AC-LKF）框架。利用PointNet++和门控循环单元（GRU）的混合架构，我们的方法在低维潜在流形内对非线性时序动态进行建模。AC-LKF并非声称完全模拟可变形对象动态的物理因果关系，而是将机器人末端执行器位移作为低维、可观测且任务相关的运动学先验，用于条件化潜在状态转移。此外，一种异方差潜在滤波模块自适应地估计过程与测量不确定性，在噪声和遮挡条件下平衡动作条件先验与退化视觉输入。利用定量时序指标和重建误差进行评估，并辅以主成分分析（PCA）和t-分布随机邻居嵌入（t-SNE）可视化，结果表明AC-LKF通过减少由突发观测引发的状态转移，提升了潜在轨迹的平滑性、信息保留能力和动态鲁棒性。这些结果说明，运动学动作条件化能够改善交互式可变形对象操作中学习到的几何状态表征的时序一致性和鲁棒性。