26、主动场景识别评估与技术进展

主动场景识别评估与技术进展

1. 主动场景识别评估相关实验

在主动场景识别（ASR）的评估中，进行了多个关键实验，以深入了解相关算法的性能和特点。

1.1 姿态预测算法运行时间

为了评估姿态预测算法的运行时间，我们重新使用了从合成数据中推导的所有隐式形状模型（ISM）树。具体步骤如下：
1. 对每个场景类别中的所有对象进行姿态预测，并累加每个场景类别中单个对象的运行时间。这里的场景类别实例初始不包含对象，且参考姿态较为简单。
2. 每个场景类别中可能预测的姿态数量与为该场景类别生成的轨迹长度相对应。
3. 为了获得平均预测运行时间，每个场景类别的整个过程重复了十次。

实验结果总结在图中，曲线显示每个曲线似乎与相应场景类别中的对象数量呈线性关系，曲线的斜率与遇到的轨迹长度相关，这表明轨迹长度和对象数量之间存在乘法相互关系。线性曲线形状证明了随机化姿态预测算法解决了直接使用 ISM 树预测对象姿态的指数复杂性问题。该算法的时间复杂度为 (O(l · |V(S, t)| · |{oP}|))，其中轨迹长度 (|V(S, t)|) 和缺失对象数量 (|{oP}|) 对计算成本有线性影响。对于十个对象和轨迹长度为 400 的情况，最大运行时间为 0.055 秒，这证明姿态预测对 ASR 的整体运行时间影响很小。

1.2 最佳视图估计运行时间

在评估最佳视图（Next - Best - View）估计算法的时间消耗时，我们在模拟环境中进行实验。具体操作如下：
1. 在一个空走廊中，以规则间隔和机器人 MILD 传感器头的高度生成可能对象姿态的球形簇。每个簇是通过从多元正态分布中采样对象