[論文レビュー] An Overview of Perception and Decision-Making in Autonomous Systems in the Era of Learning

Yang Tang, Chaoqiang Zhao+7 more|arXiv (Cornell University)|Jan 8, 2020

Robotics and Sensor-Based Localization参考文献 219被引用数 16

ひとこと要約

本稿は、自律システムにおける認識と意思決定の学習ベースのアプローチをレビューし、単眼深度推定、セマンティックセグメンテーション、自己移動量予測、トラジェクトリープランニングにおけるディープラーニングおよび強化学習の応用に焦点を当てる。これらの手法を従来のSLAMおよびナビゲーションフレームワークと統合し、ロボット工学およびAI分野における主な課題と今後の研究方向性を強調する。

ABSTRACT

Autonomous systems possess the features of inferring their own ego-motion, autonomously understanding their surroundings, and planning trajectories. With the applications of deep learning and reinforcement learning, the perception and decision-making abilities of autonomous systems are being efficiently addressed, and many new learning-based algorithms have surfaced with respect to autonomous perception and decision-making. In this review, we focus on the applications of learning-based approaches in perception and decision-making in autonomous systems, which is different from previous reviews that discussed traditional methods. First, we delineate the existing classical simultaneous localization and mapping (SLAM) solutions and review the environmental perception and understanding methods based on deep learning, including deep learning-based monocular depth estimation, ego-motion prediction, image enhancement, object detection, semantic segmentation, and their combinations with traditional SLAM frameworks. Second, we briefly summarize the existing motion planning techniques, such as path planning and trajectory planning methods, and discuss the navigation methods based on reinforcement learning. Finally, we examine the several challenges and promising directions discussed and concluded in related research for future works in the era of computer science, automatic control, and robotics.

研究の動機と目的

• 従来の手法を越えて、自律システムにおける学習ベースの認識と意思決定の最新の進展を検討すること。
• ディープラーニングが環境理解をどのように向上させるか、特に単眼深度推定、オブジェクト検出、セマンティックセグメンテーションの観点から分析すること。
• 自律システムの運動計画およびナビゲーションにおける強化学習の応用を調査すること。
• 認識、意思決定、システム統合分野における主な課題と有望な今後の研究方向性を特定すること。

提案手法

• 古典的SLAMソリューションを調査し、単眼深度推定や自己移動量予測などのディープラーニングベースの認識モジュールと統合すること。
• 画像強化、オブジェクト検出、セマンティックセグメンテーションのためのディープラーニング技術をレビューし、環境理解の向上を図ること。
• 従来のSLAMと学習された認識コンponentsを組み合わせたハイブリッドフレームワークを分析し、より高い耐障害性と正確性を実現すること。
• 強化学習に基づく運動計画技術を要約し、自律ナビゲーションのための経路計画および軌道最適化を検討すること。
• 不確実性下での意思決定にエンドツーエンド学習を活用したナビゲーション戦略を評価すること。
• ロボット工学、制御理論、AI分野の最近の文献から、課題と今後の研究方向性を統合すること。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの手法は、自律システムにおける深度推定やセマンティックセグメンテーションなどの認識能力をどのように向上させるか？
• RQ2 学習ベースの認識は、どのようにして古典的SLAMフレームワークと効果的に統合できるか？
• RQ3 自律システムの運動計画およびナビゲーションにおける強化学習の利点と制限は何か？
• RQ4 エンドツーエンド学習アプローチは、現実世界の自律ナビゲーションにおけるモジュラーな認識・意思決定パイプラインと比べてどのように異なるか？
• RQ5 自律システムにおける学習ベースの認識と意思決定の分野における主な未解決課題と今後の研究方向性は何か？

主な発見

• ディープラーニングベースの単眼深度推定は、LiDARを用いない単一カメラシステムにおいて深度の正確性を顕著に向上させ、コスト効率の良い認識を可能にする。
• ディープニューラルネットワークを用いたセマンティックセグメンテーションとオブジェクト検出は、環境理解を向上させ、より安全で適応性の高いナビゲーションを支援する。
• 学習された認識を従来のSLAMフレームワークと統合することで、動的かつテクスチャが乏しい環境でも耐障害性が向上する。
• 強化学習によりエンドツーエンドのナビゲーションポリシーが実現され、複雑で変化しやすい環境に適応可能であるが、サンプル効率は依然として課題である。
• 古典的SLAMとディープラーニングを組み合わせたハイブリッドアプローチは、長期的な自律性と局所化の正確性の両面で性能が向上することが示された。
• 主な課題には、ドメイン間での一般化、リアルタイム推論、学習された意思決定システムにおける安全性の保証、解釈可能性が含まれる。