[論文レビュー] A Spectral Learning Approach to Range-Only SLAM

Byron Boots, Geoff Gordon|arXiv (Cornell University)|Jul 10, 2012

Robotics and Sensor-Based Localization参考文献 25被引用数 20

ひとこと要約

本論文は、範囲測定のみのSLAMに対してスペクトル学習アプローチを提案し、問題を低ランク行列因子分解として定式化することで、特異値分解（SVD）を用いた線形で反復処理を要しない解法を可能にする。この手法はEKF/EIFやMHTで一般的に生じる局所最適解や線形化誤差を回避し、バッチ最適化に近い精度を、計算コストが桁違いに低い水準で達成する。実験結果では、EKF、FastSLAM、ROP-EKFを上回り、精錬を施したバッチ最適化と同等の性能を示す。

ABSTRACT

We present a novel spectral learning algorithm for simultaneous localization and mapping (SLAM) from range data with known correspondences. This algorithm is an instance of a general spectral system identification framework, from which it inherits several desirable properties, including statistical consistency and no local optima. Compared with popular batch optimization or multiple-hypothesis tracking (MHT) methods for range-only SLAM, our spectral approach offers guaranteed low computational requirements and good tracking performance. Compared with popular extended Kalman filter (EKF) or extended information filter (EIF) approaches, and many MHT ones, our approach does not need to linearize a transition or measurement model; such linearizations can cause severe errors in EKFs and EIFs, and to a lesser extent MHT, particularly for the highly non-Gaussian posteriors encountered in range-only SLAM. We provide a theoretical analysis of our method, including finite-sample error bounds. Finally, we demonstrate on a real-world robotic SLAM problem that our algorithm is not only theoretically justified, but works well in practice: in a comparison of multiple methods, the lowest errors come from a combination of our algorithm with batch optimization, but our method alone produces nearly as good a result at far lower computational cost.

研究の動機と目的

• EKF、EIF、MHT手法が、非常に非線形的かつ非ガウス分布の事後分布に起因して生じる線形化誤差や局所最適解の問題を抱える範囲測定のみのSLAMにおける限界を解消すること。
• 線形化を必要とせず、局所最小値を回避する統計的に整合性のある反復処理を要しないSLAMアルゴリズムの開発。
• 正確ではあるが高速性に欠け、局所最適解に陥りやすいバッチ最適化の代替手段として、理論的裏付けがあり計算効率の良い手法を提供すること。
• スペクトルSLAMが非線形バッチ最適化の優れた初期化として機能できることを示し、理論的保証と実用的性能を両立すること。

提案手法

• 範囲測定のみのSLAMを、観測値が4次元または7次元の状態空間に対して線形に関連づけられる行列因子分解問題として定式化し、スペクトル学習を可能にする。
• 固定ランクの特異値分解（SVD）を用いて状態空間と因子分解を推定し、統計的整合性と局所最適解のない特性を、スペクトルシステム同定フレームワークにより活用する。
• 履歴および将来の範囲測定の特徴からデータ行列を構築し、状態をボトルネックとして、ランク制約下での予測誤差を最小化する。
• 観測行列にランク7のSVDを適用し、ロボットのポーズとランドマークの位置を回復する。オドメトリのバイアスとセンサの高さオフセットについては、状態空間の拡張により自動補正が可能となる。
• スペクトルSLAMの結果を初期値として用いることで、バッチ最適化と統合し、収束性と解の品質を向上させる。
• 欠損した範囲測定値の補間を可能にする特徴構築法を採用し、スパースなデータセットへの適用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 スペクトル学習アプローチは、線形化に依存しない場合に、EKF、EIF、MHTよりも高い精度と計算効率を達成できるか？
• RQ2 SLAMの行列因子分解定式化は、局所最適解がなく統計的に整合性を持つ手法をもたらすか？
• RQ3 スペクトルSLAMは非線形バッチ最適化の有効な初期化として機能できるか？収束性と解の品質が向上するか？
• RQ4 本手法は、スパースでノイズの多い範囲測定とオドメトリのドリフトを伴う実世界データにおいて、どのように性能を発揮するか？

主な発見

• スペクトルSLAMは、プラザ1の全路線で0.79m、プラザ2で0.35mの局所化RMSEを達成し、バッチ最適化（それぞれ0.79mおよび0.33m）と同等の精度を示したが、計算コストは桁違いに低い。
• プラザ1の最後10%の路線において、スペクトルSLAMはキャルテジアンEKF（0.94m）、FastSLAM（0.73m）、ROP-EKF（0.65m）を上回り、EKFベースのすべての手法よりも全路線誤差が低かった。
• バッチ最適化と組み合わせた場合、スペクトルSLAMは最高でプラザ2の10%区間で0.54mのRMSEを達成し、バッチ最適化のみの最良結果（0.20m）を下回る結果となった。これは、優れた初期化品質を示している。
• スペクトルSLAMの実行時間は、ガウス＝ニュートン法を用いたバッチ最適化と比べて約3〜4桁の高速化であり、プラザ1では約100秒、バッチ最適化では約2.5時間であった。
• 状態空間の拡張により、オドメトリのバイアスやセンサの高さオフセットに対しても、自動的に補正を学習することで、高いロバスト性を示した。
• 特徴補間とSVDに基づく因子分解のおかげで、範囲測定の間隔が最大500ステップのスパースデータセットに対しても高い精度を達成した。