[論文レビュー] A White-Noise-On-Jerk Motion Prior for Continuous-Time Trajectory Estimation on SE(3)

Tim Y. Tang, David J. Yoon+1 more|arXiv (Cornell University)|Sep 17, 2018

Time Series Analysis and Forecasting被引用数 4

ひとこと要約

本論文は、SE(3)上での連続時刻軌道推定に向けたホワイトノイズ・オン・ジャーク（WNOJ）運動プライアを提案する。これは、ガウス過程に基づく同時軌道推定とマッピング（STEAM）における標準的なホワイトノイズ・オン・アクセルレーション（WNOA）プライアを改善したものである。プライアの平均を一定加速度を促進するようにモデル化することで、新しい定式化はバイアスを低減し、特に非ゼロ加速度を示す軌道において精度を向上させ、実世界のLiDARデータセットにおいてWNOAと比較して最大9%の誤差低減を達成した。

ABSTRACT

Simultaneous trajectory estimation and mapping (STEAM) offers an efficient approach to continuous-time trajectory estimation, by representing the trajectory as a Gaussian process (GP). Previous formulations of the STEAM framework use a GP prior that assumes white-noise-on-acceleration, with the prior mean encouraging constant body-centric velocity. We show that such a prior cannot sufficiently represent trajectory sections with non-zero acceleration, resulting in a bias to the posterior estimates. This paper derives a novel motion prior that assumes white-noise-on-jerk, where the prior mean encourages constant body-centric acceleration. With the new prior, we formulate a variation of STEAM that estimates the pose, body-centric velocity, and body-centric acceleration. By evaluating across several datasets, we show that the new prior greatly outperforms the white-noise-on-acceleration prior in terms of solution accuracy.

研究の動機と目的

• 運動プライアが非ゼロ加速度を表現できない場合の連続時刻軌道推定におけるバイアスを是正すること。
• 都市走行のような動的運動を伴う状況において、ガウス過程ベースの軌道推定の精度を向上させること。
• ホワイトノイズ・オン・ジャークを仮定する新しい運動プライアを導出し、検証すること。
• 運動歪みを伴う実世界のLiDARデータセットにおいて、新しいプライアが標準的なホワイトノイズ・オン・アクセルレーションプライアを上回ることを示すこと。
• 状態ベクトルに加速度を含めることで、より正確な連続時刻のポーズと速度推定を可能にすること。

提案手法

• ジャークにホワイトノイズを仮定することで、新しい確率微分方程式（SDE）を導出し、WNOJプライアに至る。
• ステートベクトルにボディ座標系の加速度を含めるようにSTEAMフレームワークを拡張し、ポーズ、速度、加速度の共同推定を可能にする。
• WNOJ SDEから導出されたカーネルを用いた連続時刻ガウス過程プライアを用い、滑らかで物理的に妥当な軌道プライアを保証する。
• バッチ最適化により推定問題を解き、逆カーネル行列におけるスパarsityを維持することで計算効率を確保する。
• KITTIトレーニングセットを用いてプロセスノイズ共分散行列 $\mathbf{Q}_c$ をチューニングし、全データセットで公平な比較を実現する。
• 連続時刻GP後確率分布から補間されたポーズを用いて点群登録を実行し、スキャンLiDARデータの運動歪みを補償する。

実験結果

リサーチクエスチョン

• RQ1 ホワイトノイズ・オン・ジャーク運動プライアは、標準的なホワイトノイズ・オン・アクセルレーションプライアと比較して、連続時刻軌道推定におけるバイアスを低減できるか？
• RQ2 プライアに一定加速度を組み込むことで、非一様な運動を示す実世界のLiDARデータセットにおける推定精度が向上するか？
• RQ3 状態ベクトルに加速度を含めることで推定性能と計算コストにどのような影響があるか？
• RQ4 WNOJプライアは、運動歪みを伴うLiDARデータにおいて、WNOAと比較してどの程度軌道推定を改善するか？
• RQ5 新しいプライアは、都市、準都市、高速道路環境を含む多様な走行シナリオに一般化可能か？

主な発見

• トロント大学データセットでは、WNOJプライアが全体の軌道誤差を9%低減した。このデータセットは、都市走行における頻繁な加速変化を特徴としている。
• リッチモンド・ヒルデータセットでは、新しい推定器がベースラインのWNOA推定器と比較して全体誤差を8.4%低減した。
• WNOJプライアは、交差点での旋回や減速といった高動的運動を伴うシーケンスにおいて、顕著に軌道推定精度を向上させた。
• 3次元軌道プロットから明らかになったように、特に運動歪みを伴う点群におけるオドメトリ推定のバイアスが、新しい推定器で低減された。
• 状態ベクトルに加速度を含めたことで最適化コストが50%増加したが、他のコンponentsのコストが一定であるため、全体の実行時間の増加はわずかであった。
• WNOJプライアはプロセスノイズ共分散 $\mathbf{Q}_c$ に敏感であったが、KITTIデータセットでのチューニングのみで、全テストデータセットで一貫した改善が得られた。