[論文レビュー] Hierarchical Bayesian Noise Inference for Robust Real-time Probabilistic Object Classification

Shayegan Omidshafiei, Brett T. Lopez+2 more|arXiv (Cornell University)|May 3, 2016

Gaussian Processes and Bayesian Inference被引用数 7

ひとこと要約

本稿では、階層ベイズ的手法を用いて物体クラスごとの分類器出力ノイズを階層的にモデル化することで、リアルタイムでオンボードで動作するprobabilistic object classificationの精度を向上させる、Hierarchical Bayesian Noise Inference (HBNI) を提案する。クラス間で高レベルのノイズ特性を共有しながら、各クラスごとのノイズ分布を推定することで、ノイズが多く、現実世界の条件に近い環境でも分類のロバスト性を実現する。移動するクアッドロプタで実証されたが、ノイズに無関心なフィルタリング手法では失敗する状況でも、ベースライン手法を著しく上回る分類精度を達成した。

ABSTRACT

Robust environment perception is essential for decision-making on robots operating in complex domains. Principled treatment of uncertainty sources in a robot's observation model is necessary for accurate mapping and object detection. This is important not only for low-level observations (e.g., accelerometer data), but for high-level observations such as semantic object labels as well. This paper presents an approach for filtering sequences of object classification probabilities using online modeling of the noise characteristics of the classifier outputs. A hierarchical Bayesian approach is used to model per-class noise distributions, while simultaneously allowing sharing of high-level noise characteristics between classes. The proposed filtering scheme, called Hierarchical Bayesian Noise Inference (HBNI), is shown to outperform classification accuracy of existing methods. The paper also presents real-time filtered classification hardware experiments running fully onboard a moving quadrotor, where the proposed approach is demonstrated to work in a challenging domain where noise-agnostic filtering fails.

研究の動機と目的

• センサのノイズやトレーニングデータとテストデータの分布の不一致に起因する、ロボットにおける信頼性の低い物体分類の課題に対処すること。
• 分類器出力の不確実性をモデル化することで、分類精度を向上させるリアルタイムでオンボード可能なフィルタリング手法を開発すること。
• 従来のフィルタリング手法が高ノイズまたはクラス特有のノイズによって失敗する動的で現実世界の環境でも、ロバストな推論を可能にすること。
• 階層的ノイズモデルの有効性と実用性を、リアルタイムで移動するロボットプラットフォーム上で実証すること。

提案手法

• HBNIは、分類器出力確率の系列から、各クラスごとのノイズ分布を階層ベイズモデルを用いて推定する。
• 分類確率の分散を、その背後にある物体クラスの関数としてモデル化することで、クラス固有のノイズ推定を可能にする。
• 一般化を向上させるために、クラス間でハイパーパriorを共有する。特に観測数が限られている場合に有効である。
• 逐次フィルタリングフレームワークを用いて、ノイズのある確率出力と推定されたノイズパラメータを用いて、物体クラスに関する信念を更新する。
• 実時間推論を実現するため、埋め込みシステム（NVIDIA Jetson TK1）に実装されており、移動中のクアッドロプタで約13 FPSの性能を達成している。
• 動的な物体の分類を可能にするために、最近接フレームのスライディングウインドウを用いる。

実験結果

リサーチクエスチョン

• RQ1 階層ベイズ的手法によるノイズモデル化は、ノイズが多く、代表的でないテスト条件下でも、リアルタイムのロボットビジョンにおける物体分類のロバスト性を向上させることができるか？
• RQ2 ノイズに無関心なフィルタリング手法（例：SSBF）と比較して、HBNIは高ノイズ環境下やラベル付きデータが限られた状況で、どの程度の性能を示すか？
• RQ3 分類器出力が情報が乏しく（例：一様確率）、無意味な状態であっても、HBNIは少数の観測で正確な分類を達成できるか？
• RQ4 本手法は、軽量なロボットプラットフォームにおけるリアルタイムでオンボードでの実装に適しているか？

主な発見

• HBNIは、ノイズの高い状況（例：'Quadrotor'クラス）において、ノイズに無関心なSSBF手法を著しく上回る。特に、SSBFは'Quadrotor'を高い信頼度で'iRobot'と誤分類するが、HBNIは正しく真のクラスを推定する。
• HBNIは、原始的な確率が一様に分布している状況下でも、わずか7フレームの観測で'Quadrotor'の真のクラスを正しく推定する。
• 低ノイズ状況（例：'iRobot'および'Racecar'クラス）では、HBNIはSSBFとほぼ同一の分類結果を出力しており、通常状況下での性能劣化がないことを確認した。
• HBNIは、オンボードでの計算のみに依存し、外部の再トレーニングを一切行わず、移動中のクアッドロプタで約13 FPSの高精度でリアルタイム分類を実現した。
• トレーニングデータがテスト条件を代表していない状況下でも、HBNIはクラス固有のノイズ特性を正しく推定でき、ドメインシフトに対してロバストであることを示した。
• ハードウェア実験の結果、原始的な分類器出力が曖昧またはノイズが多い状況下でも、HBNIは正しく分類されたクラスに対して高い信頼度を維持した。