[論文レビュー] Continual SLAM: Beyond Lifelong Simultaneous Localization and Mapping Through Continual Learning

Niclas Vödisch, Daniele Cattaneo+2 more|arXiv (Cornell University)|Mar 3, 2022

Robotics and Sensor-Based Localization被引用数 10

ひとこと要約

本論文は、継続的学習を用いて、以前に訪問した環境からの知識を保持しながら、顕著に異なる複数の環境に継続的かつ柔軟に適応できる新しいフレームワーク、Continual SLAM（CL-SLAM）を提案する。オンライン適応と経験再現を組み合わせた二重ネットワークアーキテクチャを採用し、ベースラインを上回る適応性と保持性能を達成。未確認の環境では2.50%の並進誤差を達成し、連続的な展開においても低誤差を維持する。

ABSTRACT

Robots operating in the open world encounter various different environments that can substantially differ from each other. This domain gap also poses a challenge for Simultaneous Localization and Mapping (SLAM) being one of the fundamental tasks for navigation. In particular, learning-based SLAM methods are known to generalize poorly to unseen environments hindering their general adoption. In this work, we introduce the novel task of continual SLAM extending the concept of lifelong SLAM from a single dynamically changing environment to sequential deployments in several drastically differing environments. To address this task, we propose CL-SLAM leveraging a dual-network architecture to both adapt to new environments and retain knowledge with respect to previously visited environments. We compare CL-SLAM to learning-based as well as classical SLAM methods and show the advantages of leveraging online data. We extensively evaluate CL-SLAM on three different datasets and demonstrate that it outperforms several baselines inspired by existing continual learning-based visual odometry methods. We make the code of our work publicly available at http://continual-slam.cs.uni-freiburg.de.

研究の動機と目的

• 学習ベースのSLAMをドメインギャップが顕著なオープンワールド環境に展開する課題に対処すること。
• 単一環境への適応にとどまらず、顕著に異なる複数の環境に連続的に展開可能な生涯的SLAMを拡張すること。
• 新しい環境への迅速な適応と、以前に訪問した環境からの知識の効果的保持を両立する手法を開発すること。
• 適応品質と保持品質を同時に捉える指標を用いて、実世界のデータセット上でフレームワークを評価すること。
• 再現可能性と継続的ビジュアルSLAM分野におけるさらなる研究を支援するため、公開可能な実装を提供すること。

提案手法

• オンライン適応と知識保持の両立を図るため、特徴抽出器とヘッドネットワークを備えた二重ネットワークアーキテクチャであるCL-SLAMを提案。
• ドメイン不変特徴とドメイン特異的特徴を分離する二重ストリーム特徴エンコーダーを採用し、一般化性能の向上を図る。
• 真値が不要な自己教師型損失関数を用い、光度的一致性と深度推定に基づく学習を実施。
• 画像の滑らかさ正則化と速度監視を適用し、深度推定とポーズ推定の精度を向上。
• 継続的学習における深刻な忘却を軽減するため、過去のデータバッファを用いた経験再現を統合。
• 連続的な環境間での性能評価を定量的に行うために、適応品質と保持品質の指標を定義。

実験結果

リサーチクエスチョン

• RQ1 学習ベースのSLAMシステムは、以前に学習した知識を忘れないまま、未確認の新環境に効果的に適応できるか？
• RQ2 CL-SLAMは、複数の環境において古典的および学習ベースのSLAMベースラインと比較して、適応性と保持性能の両面で優れているか？
• RQ3 オンライン適応と経験再現を組み合わせることで、オープンワールドロボットナビゲーションにおける一般化性能がどの程度向上するか？
• RQ4 二重ネットワークアーキテクチャは、標準的なシングルヘッドモデルと比較して、継続的SLAMにおけるドメイン一般化性能を向上させられるか？
• RQ5 データセット内での構造的差異は、逆転送とモデル性能にどの程度の影響を及ぼすか？

主な発見

• k1環境に展開後、k1およびr1環境で実行した結果、CL-SLAMは並進誤差2.50%、回転誤差0.37°/100mを達成し、優れた適応品質を示した。
• r1環境では、k1環境に事前に展開した後、並進誤差28.94%、回転誤差5.63°/100mを記録し、新ドメインへの効果的な適応を示した。
• k1、r1、k2の順に連続展開後、k2環境でも並進誤差4.85%、回転誤差1.59°/100mを維持し、低誤差を継続的に達成した。これは、優れた知識保持能力を示している。
• オフライン再訓練とバッファを用いるBofflineベースラインは、k1展開後のr1環境で誤差が高くなるなど、一貫性のない性能を示し、オンライン適応なしでは逆転送に限界があることを示唆した。
• 三つの異なるデータセットにおいて、CL-SLAMはすべてのベースラインを適応性と保持性能の両指標で上回り、継続的学習におけるSLAM分野における優位性を確認した。
• 軌跡の可視化結果から、CL-SLAMは特に複数回の環境遷移後に、ベースラインよりも正確で一貫性のある地図を生成することが確認された。