[論文レビュー] CATNIPS: Collision Avoidance Through Neural Implicit Probabilistic Scenes

T. Chen, Preston Culbertson+1 more|arXiv (Cornell University)|Feb 24, 2023

Robotics and Sensor-Based Localization参考文献 44被引用数 4

ひとこと要約

CATNIPSは、NeRF環境を走行するロボット向けに、確率的制約付き軌道計画フレームワークを導入する。NeRFをポisson点過程（PPP）に変換することで、衝突確率を厳密に計算可能にする。Probabilistic Unsafe Robot Region（PURR）ボクセル地図を用いて、Bézierスプラインを介したリアルタイムで安全な軌道最適化を実現し、ラップトップ上で3 Hzを超える再計画を達成。これは、安全保証のない従来の勾配ベース手法に比べて著しく高速である。

ABSTRACT

We introduce a transformation of a Neural Radiance Field (NeRF) to an equivalent Poisson Point Process (PPP). This PPP transformation allows for rigorous quantification of uncertainty in NeRFs, in particular, for computing collision probabilities for a robot navigating through a NeRF environment. The PPP is a generalization of a probabilistic occupancy grid to the continuous volume and is fundamental to the volumetric ray-tracing model underlying radiance fields. Building upon this PPP representation, we present a chance-constrained trajectory optimization method for safe robot navigation in NeRFs. Our method relies on a voxel representation called the Probabilistic Unsafe Robot Region (PURR) that spatially fuses the chance constraint with the NeRF model to facilitate fast trajectory optimization. We then combine a graph-based search with a spline-based trajectory optimization to yield robot trajectories through the NeRF that are guaranteed to satisfy a user-specific collision probability. We validate our chance constrained planning method through simulations and hardware experiments, showing superior performance compared to prior works on trajectory planning in NeRF environments. Our codebase can be found at https://github.com/chengine/catnips, and videos can be found on our project page (https://chengine.github.io/catnips).

研究の動機と目的

• NeRFベースのロボットナビゲーションにおいて、点毎の占有状態クエリをネイティブにサポートしないという数学的安心性の欠如に対処すること。
• 密度場をポアソン点過程（PPP）に変換することで、NeRF環境における厳密な連続的衝突確率計算を可能にすること。
• 新規のボクセル化されたシーン表現（PURR）を用いて、ユーザー定義の衝突確率しきい値を保証する高速でリアルタイムの軌道計画法を開発すること。
• 特にオンライン再計画シナリオにおいて、安全性、計算効率、経路の直感性の面で既存のNeRFベースの計画法を上回ること。
• 任意の密度しきい値に代えて、確率的に根拠を持つ安全制約を提供する微分可能で解釈可能な衝突メトリクスを導入すること。

提案手法

• NeRF密度場をポアソン点過程（PPP）に変換し、シーン幾何と衝突可能性の厳密な確率的解釈を可能にする。
• PPP定式化を用いて、ロボットとシーン間の衝突確率の解析的表現を導出する。この際、ロボットの空間的拡大を統合して積分する。
• ロボットの幾何とNeRF密度場を畳み込み、その結果をボクセル化することで、各グリッドセルにおける衝突確率を符号化したProbabilistic Unsafe Robot Region（PURR）を構築する。
• PURR上でA*グラフ探索を実行して粗い経路を得た後、Bézierスプライン最適化を用いて滑らかで連続的な軌道を生成する。
• GPU上で並列処理と事前処理を実装し、リアルタイム性能（3 Hz）を達成するオンライン再計画を実現する。
• 衝突確率の微分可能性を活用し、実行中に安全しきい値のオンライン適応を可能にする。

Figure 1 : (a) Ground-truth of the Stonehenge scene, (b) Poisson Point Process (PPP) of the scene represented as a point cloud, (c) Probabilistically Unsafe Robot Region (PURR) of scene, (d) Generated safe paths from our method (CATNIPS).

実験結果

リサーチクエスチョン

• RQ1 NeRFを数学的に確率的点過程に変換することで、厳密な衝突確率計算を可能にすることができるか？
• RQ2 ロボットの幾何的フットプリントをNeRFの密度場と統合することで、空間的に一貫性のある、ボクセル化された危険領域表現を生成できるか？
• RQ3 PURRを用いた確率的制約付き軌道計画法は、リアルタイム性能を維持しながら、ユーザー指定の衝突確率バウンドを保証できるか？
• RQ4 本手法の性能は、安全性、計算速度、経路品質の観点で、従来のNeRFベースの計画法と比較してどのように異なるか？
• RQ5 確率的衝突メトリクスは、任意の密度しきい値に代えて、解釈性とチューニングのしやすさを向上させられるか？

主な発見

• 本手法は、標準ラップトップ上で3 Hzを超えるリアルタイムの軌道再計画を達成した。これは、勾配ベースのベースライン（NeRF-Nav）の1回の再計画に平均2秒を要するのと比べて顕著に高速である。
• CATNIPSは、安全保証のないNeRF-Navに比べ、より安全で、かつより保守的でない経路を生成した。NeRF-Navは収束までに1000ステップの勾配ステップを要する。
• CATNIPSが生成する経路は、しきい値ベースのベースラインよりも直感的で、チューニングが容易である。これは、衝突が任意の密度カットオフではなく、ユーザーが指定する確率的しきい値に基づいて定義されるためである。
• PURR表現により、事前にNeRFを確率的ボクセルマップに変換することで、効率的かつGPU加速された軌道最適化が可能になった。
• 本手法は、シミュレーションおよびハードウェア実験の両方で安定した性能を示し、実世界への適用可能性を検証した。
• NeRFをPPPに変換する理論的基盤は、ニューラルレイトランスフィールドにおける不確実性評価の一般化可能で数学的に厳密なフレームワークを提供する。

Figure 2 : In the rendering process, the probability that the pixel color takes on the color of the infintesimally small occluding slice (green) is given by the probability that all slices in the region preceding the slice (red) are unoccluded. Then, the pixel color is the expectation of the color t