[論文レビュー] Directional PointNet: 3D Environmental Classification for Wearable Robotics

Kuangen Zhang, Jing Wang+1 more|arXiv (Cornell University)|Mar 16, 2019

Prosthetics and Rehabilitation Robotics参考文献 26被引用数 14

ひとこと要約

本論文では、方向性を考慮した点群を用いた3D点群ベースの深層学習モデル「Directional PointNet」を提案する。このモデルは、ウェアラブルロボティクス向けに、水平な地面、上り階段、下り階段といった環境の地形を分類する。点群の方向性を組み込み、T-netモジュールを排除することで、標準的なPointNetよりも効率性を向上させつつ、テストデータで99%の分類精度を達成した。

ABSTRACT

Environmental information can provide reliable prior information about human motion intent, which can aid the subject with wearable robotics to walk in complex environments. Previous researchers have utilized 1D signal and 2D images to classify environments, but they may face the problems of self-occlusion. Comparatively, 3D point cloud can be more appropriate to depict environments, thus we propose a directional PointNet to classify 3D point cloud directly. By utilizing the orientation information of the point cloud, the directional PointNet can classify daily terrains, including level ground, up stairs, and down stairs, and the classification accuracy achieves 99% for testing set. Moreover, the directional PointNet is more efficient than the previous PointNet because the T-net, which is utilized to estimate the transformation of the point cloud, is removed in this research and the length of the global feature is optimized. The experimental results demonstrate that the directional PointNet can classify the environments robustly and efficiently.

研究の動機と目的

• ウェアラブルロボティクスにおける環境分類を、1次元信号や2次元画像の代わりに3次元点群データを活用することで向上させること。
• 2次元および1次元手法の限界（自己遮蔽など）を克服するため、より正確な環境表現を実現するために3次元点群を用いること。
• PointNetアーキテクチャに方向性（方向）情報を組み込むことで、分類のロバスト性と効率性を向上させること。
• PointNetにおけるT-netモジュールを排除することで、計算オーバーヘッドを低減し、グローバル特徴の長さを最適化すること。
• 実世界のウェアラブルロボティクス応用に適した高精度な地形分類を達成すること。

提案手法

• モデルは、空間座標と方向性を用いて、環境の構造を捉えるために、生の3次元点群を直接処理する。
• 各点の方向性を符号化することで、方向特徴を組み込み、ネットワークの地形タイプの区別能力を向上させる。
• 標準的なPointNetで点群のアライメントに用いられるT-netモジュールを削除することで、計算効率を向上させ、モデルの複雑さを低減する。
• グローバル特徴ベクトルの長さを短縮することで、グローバル特徴の学習を最適化し、精度を損なわずに推論速度を向上させる。
• 各点からの局所的な幾何的特徴を抽出するために、共有MLP（多層パーセプトロン）を用い、その後、対称関数（例：マックスプーリング）で特徴を集約する。
• 最終的な分類ヘッドは、全結合層を用いて、地形カテゴリ（水平な地面、上り階段、下り階段）を予測する。

実験結果

リサーチクエスチョン

• RQ1 1次元または2次元手法と比較して、方向性を考慮した3次元点群データは、ウェアラブルロボティクスにおける環境分類精度を向上させることができるか？
• RQ2 T-netモジュールを削除することで、3次元点群分類における分類性能と推論効率にどのような影響が生じるか？
• RQ3 方向特徴を組み込むことで、類似した地形タイプ（例：上り階段と下り階段）の区別能力がどの程度向上するか？
• RQ4 グローバル特徴長を最適化した簡素化されたPointNetアーキテクチャは、計算コストを低減しつつも、高い精度を維持できるか？

主な発見

• 提案されたDirectional PointNetは、水平な地面、上り階段、下り階段を区別するテストセットで99%の分類精度を達成した。
• T-netモジュールの削除により、モデルの複雑さが低減し、計算効率が向上したが、性能の劣化は見られなかった。
• 方向性情報の組み込みにより、上り階段と下り階段といった類似した地形タイプの区別能力が顕著に向上した。
• 最適化されたグローバル特徴長は、より速い推論を可能にし、リアルタイムのウェアラブルロボティクス応用に適したモデルとなった。
• 生の3次元点群入力のみを用いても、複雑な実世界の環境地形を、本モデルは堅牢に分類する能力を示した。