Vencemos o Filtro de Kalman em Uma Única Câmera, mas Primeiro Passamos Três Semanas Medindo um Cadáver
Os engenheiros da MoranaLabs desenvolveram um rastreador neural que supera o clássico filtro de Kalman em uma câmera monocromática, mantendo o alvo invisível em 50% dos episódios contra -3% do Kalman. O híbrido de KalmanNet e rede neural alcança uma taxa de retorno ao quadro de 80%. No entanto, o projeto foi atormentado por bugs de medição, incluindo uma sonda com defeito que leu zeros por semanas.
O projeto na MoranaLabs visava manter um bloqueio visual em um alvo que desaparece do quadro da câmera por 0,75 segundos, usando apenas uma câmera monoculares sem telêmetro. O filtro de Kalman clássico perde o alvo em 84% dos episódios, enquanto o rastreador híbrido KalmanNet-neural perde em 18% e o retorna ao centro em 80%. A equipe inicialmente escreveu uma política de professor com um erro de sinal, fazendo com que ela errasse todas as 60 tentativas. Eles passaram três semanas depurando as métricas de medição, descobrindo que o ambiente escrevia algumas métricas em um dicionário aninhado, fazendo com que a sonda e o callback de currículo lessem zeros. Após corrigir os bugs, eles implementaram um crítico assimétrico com um vetor privilegiado do simulador e treinaram uma tarefa auxiliar de modelo de mundo para prever esse vetor, o que forçou o LSTM a integrar a dinâmica. O modelo final alcançou 50% de similaridade de cosseno entre o nariz e a direção real do alvo durante o período cego, em comparação com -3% para Kalman e 41% para um piloto neural puro.
Fonte: Habr — хаб ИИ —
original