[論文レビュー] Discrete and Continuous, Probabilistic Anticipation for Autonomous Robots in Urban Environments

Frank Havlak, Mark Campbell|arXiv (Cornell University)|Sep 3, 2013

Target Tracking and Data Fusion in Sensor Networks参考文献 32被引用数 4

ひとこと要約

本稿では、都市部における自律走行のための動的障害物の確率的予測を目的として、ハイブリッドガウス混合モデル（hGMM）を提案する。非線形性をシグマポイント変換によって検出し、誤差を低減するための混合成分の適応的分割を実施することで、標準的なアンサンブル変換に比べて予測精度が向上し、特に非線形的かつ離散的な行動に対して顕著な改善効果を示す。本手法により、3 Hzの更新レートで最大4.5秒先の高精度な未来状態推定がリアルタイムで可能となる。

ABSTRACT

This paper develops a probabilistic anticipation algorithm for dynamic objects observed by an autonomous robot in an urban environment. Predictive Gaussian mixture models are used due to their ability to probabilistically capture continuous and discrete obstacle decisions and behaviors; the predictive system uses the probabilistic output (state estimate and covariance) of a tracking system, and map of the environment to compute the probability distribution over future obstacle states for a specified anticipation horizon. A Gaussian splitting method is proposed based on the sigma-point transform and the nonlinear dynamics function, which enables increased accuracy as the number of mixands grows. An approach to caching elements of this optimal splitting method is proposed, in order to enable real-time implementation. Simulation results and evaluations on data from the research community demonstrate that the proposed algorithm can accurately anticipate the probability distributions over future states of nonlinear systems.

研究の動機と目的

• 自律走行における反応型計画の限界を解消し、予測不可能な障害物の行動に起因する衝突リスクを低減すること。
• 線形モデルや単一ガウスフィルタでは到達できない、複雑で非線形的かつ離散的な行動（例：レーン変更、交差点通過）を示す動的障害物の確率的予測を向上させること。
• 非線形ダイナミクスに起因する誤差を低減する新たな適応的混合成分分割機構を用いて、長時間予測ホライズンにおいても精度を維持できるリアルタイム対応の予測システムを開発すること。
• 非線形障害物ダイナミクスを通過する確率分布の伝搬誤差を低減する、独創的で適応的な混合成分分割機構を用いること。
• 2007年DARPA都市チャレンジの実世界データを用いて、シミュレーションと併せて手法の有効性を検証し、衝突回避能力を示すこと。

提案手法

• 障害物状態を表すためにハイブリッドガウス混合モデル（hGMM）を用い、連続的運動と離散的行動モードを統合する。
• 各ガウス成分を非線形ダイナミクスを介して伝搬させるために、シグマポイントを用いたアンサンブル変換を活用し、不確実性推定を高精度に実現する。
• 伝搬後のシグマポイントの分散を評価することで、非線形性検出メカニズムが、線形化誤差が閾値を超えた場合に検出する。
• 非線形性が閾値を超えた場合には、シグマポイントに基づく最適化を用いて、共分散を低減し線形性を向上させる最適なガウス混合成分分割を実行する。
• 中間計算結果をキャッシュする戦略を採用することで、現代のハードウェアでもリアルタイム性能を達成する。
• アルゴリズムはリアルタイム計画システムに統合され、合成シミュレーションおよびCLIF 2007データセットからの実世界データを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 非線形的かつマルチモーダルな障害物行動を示す都市環境において、確率的予測システムは、その将来的な状態を正確に予測できるか？
• RQ2 障害物運動における非線形ダイナミクスを、確率的状態伝搬中に検出し、補正することで、予測精度を向上させられるか？
• RQ3 標準的なアンサンブル変換や単一ガウス法に比べ、適応的混合成分分割がどれほど誤差を低減するか？
• RQ4 本手法は、従来の反応型システムが失敗した実世界シナリオにおいても、衝突を回避できるか？
• RQ5 リアルタイム動作において、計算コスト、予測精度、混合成分数の間にはどのようなトレードオフが存在するか？

主な発見

• hGMM手法は、標準のIntel Core i7プロセッサ上で、最大3台の車両を4.5秒先まで3 Hzを超えるレートでリアルタイムで予測可能であった。
• 線形性閾値を小さくするに従い、予測精度が著しく向上し、許容可能な混合成分数が非常に小さくなる場合を除き、劣化は見られなかった。
• 大規模なパーティクル集合を基準として用いた際の対数尤度指標において、hGMMは単一ガウスアンサンブル変換を上回った。
• MIT-Cornell衝突シナリオを正常に予測し、十分な事前時間があれば衝突を予測・回避可能であることを示した。
• 分割なしの伝搬に比べ、本手法は不自然な軌道外逸脱などの異常行動を回避するより現実的な予測を生成した。
• 非線形性検出と最適な混合成分分割の組み合わせにより、ベースライン手法に比べてより正確かつ頑健な分布伝搬が実現された。