[論文レビュー] Incremental learning of environment interactive structures from trajectories of individuals

Damian Campo, Vahid Bastani+2 more|arXiv (Cornell University)|Sep 9, 2019

Anomaly Detection Techniques and Applications参考文献 28被引用数 5

ひとこと要約

本稿では、人工ニューラルネットワーク（ANN）とカルマンフィルタベースの残差解析を用いて、移動エージェントの軌道のずれを分析することで、2次元環境内に存在する未知の静的物体の存在、位置、および性質（引力的か斥力的か）を推定するインクリメンタル学習手法を提案する。この手法は、速度場を高精度に推定し、物体を1m未塔の精度で局在化でき、時間経過に伴う環境的要因の階層的モデリングを可能にする。

ABSTRACT

This work proposes a novel method for estimating the influence that unknown static objects might have over mobile agents. Since the motion of agents can be affected by the presence of fixed objects, it is possible use the information about trajectories deviations to infer the presence of obstacles and estimate the forces involved in a scene. Artificial neural networks are used to estimate a non-parametric function related to the velocity field influencing moving agents. The proposed method is able to incrementally learn the velocity fields due to external static objects within the monitored environment. It determines whether an object has a repulsive or an attractive influence and provides an estimation of its position and size. As stationarity is assumed, i.e., time-invariance of force fields, learned observation models can be used as prior knowledge for estimating hierarchically the properties of new objects in a scene.

研究の動機と目的

• 移動エージェントの軌道データのみを用いて、未知の静的物体がエージェントに与える影響を推定する手法を開発すること。
• 新しい静的物体がシーンに追加されるにつれて、環境の力場を再トレーニングなしに段階的に学習できることを可能にすること。
• 観察されたエージェントの運動のずれに基づいて、未知の物体を引力的か斥力的か分類すること。
• ベイズ推論と事前知識を用いて、時間不変の階層的環境制約モデルを提供すること。
• 物体中心の局在化とその力場特性の推定における手法の正確さを検証すること。

提案手法

• イノベーション（残差）を未知の静的物体の影響を表す制御入力項としてモデル化するカルマンフィルタフレームワークを用いる。
• スパarsな軌道データに対する非パラメトリック回帰を実行するために、人工ニューラルネットワークを用い、環境全体にわたる速度場の一般化を図る。
• 力場を、物体中心からの距離に依存するベクトル場としてモデル化し、エージェントの運動から方向と大きさを学習する。
• 階層的学習戦略を採用：既知の引力的物体の事前知識を活用して、新たに導入された斥力的物体の推定を改善する。
• ANN出力からの速度場の角度と大きさを、理論的真値と比較して検証に用いる。
• アルゴリズム1をステップサイズ0.3で適用し、推定された速度場から物体の位置と性質を抽出する。

実験結果

リサーチクエスチョン

• RQ1 移動エージェントの軌道のずれを用いて、2次元環境内に存在する未知の静的物体の存在と特性を推定できるか？
• RQ2 非パラメトリックなニューラルネットワークモデルは、未知の静的物体が誘発する速度場をどの程度正確に推定できるか？
• RQ3 本手法は、再トレーニングを一切行わずに、新たな環境的要因を段階的に学習できるか？
• RQ4 システムは、エージェントの運動に基づいて、未知の物体を引力的か斥力的か正しく分類できるか？
• RQ5 推定された速度場は、引力的物体および斥力的物体について、理論的真値とどの程度一致するか？

主な発見

• 最初の引力的物体は、真の位置(0, 15)に非常に近い(-0.2, 15.1)に正確に局在化され、座標の両方でわずかな誤差しか示さなかった。
• 2番目の引力的物体は、真の位置(-10, 10)に非常に近い(-10.1, 10)に推定され、高い局在化精度を示した。
• 斥力的物体は、真の位置(0, -5)に近い(0.1, -4.7)に局在化され、この手法が斥力的力の検出に成功したことを確認した。
• ANNから得られた推定速度場およびその角度方向は、すべての3つの物体について理論的真値の速度場およびその方向とよく一致した。
• システムは3つの物体すべてを正しく分類した：2つの引力的物体と1つの斥力的物体であり、力の性質の認識が正確に行われたことを示した。
• 階層的学習アプローチにより、引力的物体の事前モデルを活用して新たに導入された斥力的物体の推定を改善することができ、インクリメンタル学習の能力が妥当であることが検証された。