CARD, abréviation de « Proof-Carrying Certificate-to-Action Interface for Relative-Measurement Graphs », est un cadre qui relie les certificats mathématiques en estimation géométrique aux actions qu’un robot peut exécuter. Les travaux soulignent que le résultat d’un vérificateur, une transformation physique et les preuves nécessaires pour autoriser un service sont des objets distincts et doivent être consignés comme tels.
Le cadre représente une action accompagnée de son témoin de preuve exact. Il peut ainsi distinguer une modification de l’action d’une modification ou d’une réparation du témoin qui l’étaye. Les auteurs établissent une condition selon laquelle le coût du suivi des deux est identique à celui du suivi de l’action seule : une séquence d’actions optimale sur le plan sémantique doit avoir un chemin de témoins dont le coût de réparation est nul.
CARD modélise également l’acquisition de preuves comme une décision dépendant du temps. En cas d’échantillonnage uniforme sans remise, le nombre de services utiles suit une loi hypergéométrique. Lorsque les requêtes sont tirées de la population admissible, chaque requête produit un service utile dans les conditions de confirmation en temps réel observées par l’étude.
L’évaluation principale porte sur 404 cas Full16 issus de 20 sorties d’un système de relevé aérien AA15-X500. Les 404 points d’optimisation confirmés par le vérificateur différaient tous de la référence, avec des écarts médians de rotation et de translation de 1,9891 degré et de 21,6322 mètres. En revanche, les transformations de navigation causale appariées étaient conformes à la référence dans les 404 cas ; leurs écarts médians étaient de 0,0036566 degré et de 0,0104519 mètre.
Une étude distincte sur l’acquisition a utilisé 170 candidats, dont 155 étaient admissibles, et a testé cinq budgets de requêtes. L’écart maximal entre la prédiction hypergéométrique et le nombre moyen de services observé avec une sélection aléatoire ordinaire était de 0,8412. La sélection aléatoire ordinaire appariée a obtenu 0 réussite sur 50 objectifs, tandis que la sélection aléatoire appariée sur l’actionnabilité en a obtenu 50 sur 50 et a égalé la politique CARD.
Pour l’évaluation en aval, les auteurs ont testé 11 cas issus des jeux de données KITTI, EuRoC et TUM SLAM. Les rapports de temps d’exécution de l’optimiseur pour les interventions aléatoires sur les graphes allaient de 1,128 à 67,65 fois ceux des interventions CARD. Les relevés du solveur attribuaient cette différence au remplissage lors de l’élimination, à la taille du facteur de Cholesky et à la factorisation numérique.
Sources: arXiv cs.AI.