SIM2REALVIZ: Visualizing the Sim2Real Gap in Robot Ego-Pose Estimation
SIM2REALVIZ: Visualiser le Sim2Real Gap pour l'Estimation de pose de Robot
Résumé
The Robotics community has started to heavily rely on increasingly realistic 3D simulators for large-scale training of robots on massive amounts of data. But once robots are deployed in the real-world, the simulation gap, as well as changes in the real-world (e.g. lights, objects displacements) leads to errors. In this paper, we introduce SIM2REALVIZ, a visual analytics tool to assist experts in understanding and reducing this gap for robot ego-pose estimation tasks, i. e. the estimation of a robot’s position using trained models. SIM2REALVIZ displays details of a given model and the performance of its instances in both simulation and real-world. Experts can identify environment differences that impact model predictions at a given location and explore through direct interactions with the model hypothesis to fix it. We detail the design of the tool, and case studies related to the exploit of the regression to the mean bias and how it can be addressed, and how models are perturbed by vanishing landmarks such as bikes.
La communauté robotique a commencé à s'appuyer fortement sur des simulateurs 3D de plus en plus réalistes pour l'entraînement à grande échelle des robots sur des quantités massives de données. Mais une fois les robots déployés dans le monde réel, le décalage de la simulation, ainsi que les changements dans le monde réel (par exemple, les lumières, les déplacements d'objets) conduisent à des erreurs. Dans cet article, nous présentons SIM2REALVIZ, un outil d'analyse visuelle pour aider les experts à comprendre et à réduire cet écart pour les tâches d'estimation de l'ego-pose des robots, c'est-à-dire l'estimation de la position d'un robot à l'aide de modèles entraînés. SIM2REALVIZ affiche les détails d'un modèle donné et les performances de ses instances en simulation et dans le monde réel. Les experts peuvent identifier les différences d'environnement qui ont un impact sur les prédictions du modèle à un endroit donné et explorer par des interactions directes avec l'hypothèse du modèle pour la corriger. Nous détaillons la conception de l'outil, ainsi que des études de cas liées à l'exploitation du biais de régression à la moyenne et à la façon dont il peut être traité, et à la façon dont les modèles sont perturbés par des points de repère disparus tels que les vélos.
Traduit avec www.DeepL.com/Translator (version gratuite)
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|