[論文レビュー] Detection and Tracking of General Movable Objects in Large 3D Maps

Nils Bore, Johan Ekekrantz+2 more|arXiv (Cornell University)|Dec 22, 2017

Robotics and Sensor-Based Localization参考文献 29被引用数 3

ひとこと要約

本稿では、局所的移動（カルマンフィルタでモデル化）とまれなグローバルジャンプ（確率的モデル化）に物体の運動を分解するラオ・ブラックウェルト粒子フィルタを提案する。これにより、間欠的な観測下でも視覚的に類似した可動物体を大規模3Dマップで正確にマルチターゲット追跡可能となる。本手法は確率的モデリングとオブジェクトの事後分布への集中サンプリングを活用し、先行手法を上回る性能を実現した。

ABSTRACT

This paper studies the problem of detection and tracking of general objects with long-term dynamics, observed by a mobile robot moving in a large environment. A key problem is that due to the environment scale, it can only observe a subset of the objects at any given time. Since some time passes between observations of objects in different places, the objects might be moved when the robot is not there. We propose a model for this movement in which the objects typically only move locally, but with some small probability they jump longer distances, through what we call global motion. For filtering, we decompose the posterior over local and global movements into two linked processes. The posterior over the global movements and measurement associations is sampled, while we track the local movement analytically using Kalman filters. This novel filter is evaluated on point cloud data gathered autonomously by a mobile robot over an extended period of time. We show that tracking jumping objects is feasible, and that the proposed probabilistic treatment outperforms previous methods when applied to real world data. The key to efficient probabilistic tracking in this scenario is focused sampling of the object posteriors.

研究の動機と目的

• 観測が間欠的である大規模3D環境において、視覚的に類似した複数の可動物体を長期間にわたり追跡可能にする。
• 特に長距離ジャンプがまれに発生するため、ロボットの観測ギャップ中の物体移動に伴う課題に対処する。
• 外観ベースの手法を超えて、空間的ダイナミクスと移動確率をモデル化することで、追跡精度を向上させる。
• 不完全な観測下でも現実的な位置事後分布を維持できるスケーラブルな確率的フレームワークを開発する。

提案手法

• 本システムは、局所的移動（小規模で頻度の高い調整）とグローバルジャンプ（まれに発生する長距離移動）の組み合わせとして物体の運動をモデル化し、確率的ジャンプモデルを用いる。
• ラオ・ブラックウェルト粒子フィルタを採用し、グローバル移動と測定関連の事後分布をサンプリングする一方で、局所的移動はカルマンフィルタを用いて解析的に追跡する。
• オブジェクト検出は、3次元点群における時間的変化検出を経て、ディープラーニング（例：CNN）を用いたインスタンスセグメンテーションと特徴抽出によって生成される。
• 視覚的特徴（RGB画像から得る）と空間的測定値（深度データから得る）を統合することで、特に小型オブジェクトの追跡に寄与する耐障害性を向上させる。
• 閉世界仮定を採用し、オブジェクトが環境内に留まると仮定する。また、観測されたジャンプ頻度に適応するため、パラメータチューニング（例：p_jump、p_meas）を実施する。
• 椅子やモニタなど、異なる移動特性を示すオブジェクトに応じて、オブジェクト固有の移動モデル分散（Q_k^s）を推定する。

実験結果

リサーチクエスチョン

• RQ1 モバイルロボットは、観測が間欠的である大規模3D環境において、視覚的に類似した複数のオブジェクトを長期間にわたり正確に追跡できるか？
• RQ2 オブジェクトが局所的移動またはまれな長距離ジャンプを実行する場合、最適な運動モデルの構築法は何か？
• RQ3 粒子サンプリングとカルマンフィルタを組み合わせたハイブリッドフィルタリング手法は、純粋に外観ベースまたは標準的なフィルタリング手法に比べて追跡性能を向上させられるか？
• RQ4 ジャンプ確率（p_jump）や測定確率（p_meas）といったパラメータが、実世界のシナリオにおける追跡性能に与える影響は何か？

主な発見

• 提案されたトラッカーは、実世界データにおいて従来手法を顕著に上回り、ジャンプを伴うオブジェクトや視覚的に類似したターゲットの追跡において優れた性能を示した。
• RGBと深度特徴を統合することで、ノイズの多い深度データ下でも耐障害性を発揮し、特にマグなどの小型オブジェクトの検出が向上した。
• 実験1では実際のジャンプ頻度が約0.18であったが、p_jumpを0.08に設定した場合にMOTAスコアが最高を記録した。実験2では同様にp_jumpを0.04に設定した場合に最高スコアを記録し、パラメータチューニングの重要性が示された。
• 図1に示すように、繰り返しの観測により信念分布が洗練された青violett領域が観察され、時間経過に伴う位置事後分布の正確さが維持された。
• セグメンテーションエラー（例：椅子の過剰セグメンテーション）に対しても、純粋なセグメンテーションに依存せず、空間的・運動モデリングに依存することで、効果的に対処した。
• 実験1では、データから特徴共分散R^fを推定することで結果が顕著に改善された。これは、適応的チューニングが性能向上に寄与することを示唆している。