[論文レビュー] Bayes Networks for Sonar Sensor Fusion

Ami Berler, Solomon Eyal Shimony|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 8被引用数 15

ひとこと要約

本稿では、移動ロボットにおける広角ソナーのデータ統合のためのベイジアンネットワーク手法を提案する。特徴的な鏡面反射によるデータ欠落を解消するため、センサ読み取り値と障害物領域の間の依存関係を明示的にモデル化している。過信しすぎた独立性仮定に代わり、構造的な条件付き依存関係を導入することで、不確実性下での環境マッピングの精度が向上し、シミュレーションによりその実現可能性と、事前知識やマルチセンサ統合への拡張可能性が検証された。

ABSTRACT

Wide-angle sonar mapping of the environment by mobile robot is nontrivial due to several sources of uncertainty: dropouts due to "specular" reflections, obstacle location uncertainty due to the wide beam, and distance measurement error. Earlier papers address the latter problems, but dropouts remain a problem in many environments. We present an approach that lifts the overoptimistic independence assumption used in earlier work, and use Bayes nets to represent the dependencies between objects of the model. Objects of the model consist of readings, and of regions in which "quasi location invariance" of the (possible) obstacles exists, with respect to the readings. Simulation supports the method's feasibility. The model is readily extensible to allow for prior distributions, as well as other types of sensing operations.

研究の動機と目的

• 広ビームソナー系で生じる鏡面反射に起因する継続的なソナーのデータ欠落を解消すること。
• センサ読み取り値の間の独立性を仮定する従来手法の制限を克服し、過信しすぎた推定を回避すること。
• 障害物が一貫して存在すると予想される空間的領域と、ソナー読み取り値との間の依存関係をモデル化すること。
• 事前分布や他のセンシングモダリティを統合可能な柔軟で拡張可能なフレームワークを構築すること。
• 不確実性下でのソナーに基づく環境マッピングのロバスト性と正確性を向上させること。

提案手法

• 本手法は、ベイジアンネットワークにおいて、ソナー読み取り値と空間的領域を確率変数としてモデル化し、それらの間の条件付き依存関係を捉える。
• 障害物が複数回の読み取りにおいて一貫した位置に存在する可能性が高い領域を「準位置不変性（quasi location invariance）」と呼ぶ概念を導入する。
• ベイジアンネットワーク構造を用いて、読み取り値と障害物位置の間の依存関係を条件付き確率分布として表現する。
• ネットワーク構造が、鏡面反射が原因で生じるデータ欠落と、それによる読み取り信頼性への影響を明示的に表現する。
• 障害物位置に関する事前分布やセンサノイズモデルを、本アプローチが容易に統合可能である。
• シミュレーションを用いてモデルの学習と検証が行われ、現実的な不確実性条件下でも実現可能性とロバスト性が示された。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンネットワークを用いて、ソナー読み取り値と障害物位置の間の依存関係をどのようにモデル化し、独立性仮定に起因する過信を軽減できるか？
• RQ2 独立性仮定を緩和することで、鏡面反射に起因するソナーのデータ欠落への対処にどのような影響を与えるか？
• RQ3 構造的な確率的モデルは、不確実性下での広ビームソナーの環境マッピング精度をどのように向上させられるか？
• RQ4 障害物位置に関する事前知識を、ソナー統合フレームワークに自然に統合する方法は何か？
• RQ5 提案されたモデルは、他のセンシングモダリティや不確実性要因に対してもどの程度拡張可能か？

主な発見

• ベイジアンネットワークモデルは、ソナー読み取り値と障害物領域の間の依存関係を効果的に捉えており、独立性仮定に起因する推定の過信を低減した。
• 本手法は、鏡面反射に起因するデータ欠落の影響を、条件付き依存関係による確率的効果のモデル化によって効果的に緩和した。
• シミュレーションにより、センサの不確実性や欠落データが生じる状況下でも、正確な環境マップを維持できることが示された。
• 障害物位置に関する事前分布を容易に統合可能であり、モデルのロバスト性が向上した。
• 他のセンシング操作との統合が可能であり、不確実性のある環境下でのマルチモードセンサ統合を可能にする。
• 従来の条件付き独立性を仮定する手法と比較して、本手法はセンサ不確実性のより現実的な表現を提供する。