We Versloegen het Kalman-filter met één Camera, maar Eerst Maten we Drie Weken een Lijk
Ingenieurs van MoranaLabs ontwikkelden een neurale tracker die het klassieke Kalman-filter overtreft op een monoculaire camera, met een verlies van het doelwit in 50% van de episodes tegenover -3% voor Kalman. De hybride van KalmanNet en een neuraal netwerk bereikt een terugkeer-naar-frame-score van 80%. Echter, het project werd geplaagd door meetfouten, waaronder een kapotte sonde die wekenlang nullen uitlezen.
Het project bij MoranaLabs had als doel om een visuele lock op een doelwit te behouden dat gedurende 0,75 seconde uit het camerabeeld verdwijnt, met alleen een monoculaire camera en zonder afstandsmeter. De klassieke Kalman-filter verliest het doelwit in 84% van de episodes, terwijl de hybride KalmanNet-neurale tracker het in 18% verliest en het in 80% terug naar het midden brengt. Het team schreef aanvankelijk een teacher policy met een tekenfout, waardoor het alle 60 pogingen miste. Ze besteedden drie weken aan het debuggen van meetmetrieken en ontdekten dat de omgeving sommige metrieken in een geneste dictionary schreef, waardoor de probe en curriculum callback nullen lazen. Na het oplossen van de bugs implementeerden ze een asymmetrische criticus met een bevoorrechte vector van de simulator en trainden ze een wereldmodel-hulptaak om die vector te voorspellen, wat de LSTM dwong om dynamiek te integreren. Het uiteindelijke model behaalde 50% cosinusovereenkomst tussen de neus en de ware doelrichting tijdens de blinde periode, vergeleken met -3% voor Kalman en 41% voor een pure neurale piloot.
Bron: Habr — хаб ИИ —
origineel