[論文レビュー] GRIP: Generative Robust Inference and Perception for Semantic Robot Manipulation in Adversarial Environments

Xiaotong Chen, Rui Chen+5 more|arXiv (Cornell University)|Mar 20, 2019

Adversarial Robustness in Machine Learning参考文献 43被引用数 5

ひとこと要約

GRIPは、悪質な環境下でも頑健な6次元オブジェクトポーズ推定を実現する2段階の生成的・判別的フレームワークを提案する。畳み込みニューラルネットワーク（CNN）を用いた検出ステージと、パーティクルフィルタを用いた生成的推論ステージを組み合わせることで、誤検出の是正と、暗所や遮蔽下での耐性向上を実現する。PoseCNN や DOPE といった最先端手法に比べて、特に低誤差閾値下で優れた精度を達成し、困難な条件下でも信頼性の高いロボット操作を可能にする。

ABSTRACT

Recent advancements have led to a proliferation of machine learning systems used to assist humans in a wide range of tasks. However, we are still far from accurate, reliable, and resource-efficient operations of these systems. For robot perception, convolutional neural networks (CNNs) for object detection and pose estimation are recently coming into widespread use. However, neural networks are known to suffer overfitting during training process and are less robust within unseen conditions, which are especially vulnerable to adversarial scenarios. In this work, we propose Generative Robust Inference and Perception (GRIP) as a two-stage object detection and pose estimation system that aims to combine relative strengths of discriminative CNNs and generative inference methods to achieve robust estimation. Our results show that a second stage of sample-based generative inference is able to recover from false object detection by CNNs, and produce robust estimations in adversarial conditions. We demonstrate the efficacy of GRIP robustness through comparison with state-of-the-art learning-based pose estimators and pick-and-place manipulation in dark and cluttered environments.

研究の動機と目的

• 劣悪な照明や遮蔽といった悪質な条件下で、ディープラーニングに基づくオブジェクト検出およびポーズ推定の脆弱性を是正すること。
• 予期しない環境条件下で過学習や誤検出を引き起こしやすい判別的CNNの限界を克服すること。
• CNNの精度と生成的推論の耐性を組み合わせた、実世界のロボット操作に適した頑健な認識システムを開発すること。
• 標準的手法が失敗する暗くごみだらけのシーンにおいても、信頼性の高いピックアンドプレース操作を可能にすること。
• ハード閾値処理を避ける説明可能でサンプルベースの推論を提供し、不確実性を考慮した認識を支援すること。

提案手法

• 最初の段階では、RGB画像からピラミッドCNNを用いて、信頼度スコア付きのオブジェクトバウンディングボックスを生成し、初期仮説として用いる。
• 2番目の段階では、静的な状態プロセスを用いたパーティクルフィルタを採用し、深度画像上でサンプルベースの生成的推論を実行することで、ポーズ推定を精緻化する。
• パーティクルは最初の段階で得られたバウンディングボックスに基づいて初期化され、ポーズ空間の効率的な探索が可能になる。
• 生成的推論段階では確率的サンプリングを用いてポーズ仮説を最適化し、早期のハード決定を回避する。
• 完全なベイズ推論の計算的非実行性を避ける一方で、信念空間計画の原則を統合する。
• 深度センサから得られる豊富な3次元点群データを活用し、幾何的一致性を向上させ、ポーズ推定の曖昧さを低減する。

実験結果

リサーチクエスチョン

• RQ1 2段階の生成的・判別的アプローチは、劣悪な照明や遮蔽下における6次元オブジェクトポーズ推定の頑健性を向上させ得るか？
• RQ2 PoseCNN や DOPE といった最先端の学習ベースのポーズ推定器と比較して、GRIPは悪質な条件下でどのように性能を発揮するか？
• RQ3 初期推論段階でのハード閾値処理を回避することで、検出の信頼性とポーズ推定の精度はどの程度向上するか？
• RQ4 GRIPは、標準的手法が失敗する暗くごみだらけの環境下でも、信頼性の高いロボット操作を可能にするか？
• RQ5 生成的推論段階は、ロボット認識における説明可能性と不確実性の取り扱いをどの程度向上させるか？

主な発見

• GRIPは、4つのYCBオブジェクトにおいて、ICPを用いたPoseCNN や DOPE を上回り、特に低誤差閾値（≤0.04m）下で優れた性能を示し、精度-閾値曲線のAUCが向上した。
• 異なる照明条件や遮蔽下においても、対称的・非対称的オブジェクトの両方で、ポーズ推定精度が向上し、一貫した改善が確認された。
• 暗いシーンでも優れた頑健性を示し、ミケルソンプログレス・フェッチロボットが、マスタードボトルやクラッカー箱といったオブジェクトを正常に掴むことに成功した。
• GRIPは、大きさが大きく、コンパクトで、幾何的に明確なオブジェクト（例：マスタードボトル、クラッカー箱）に対して最も高い性能を発揮した。これは、濃密で連続的な深度観測が得られることによる。
• 細長い、またはアーティキュレーテッドなオブジェクト（例：ハサミ、マグカップ）や、ほぼ同一のペア（例：大型と特別大のクランプ）では性能が低下し、点群表現の疎らさに起因する限界が顕在化した。
• 生成的推論段階により、ネットワーク重みの解釈を必要とせず、説明可能な認識が可能となり、ロボット意思決定における透明性を支援した。