[論文レビュー] Learning 3D Segment Descriptors for Place Recognition

Andrei Cramariuc, Renaud Dubé+3 more|arXiv (Cornell University)|Apr 24, 2018

Robotics and Sensor-Based Localization参考文献 11被引用数 9

ひとこと要約

本論文では、SLAMシステムにおける場所認識の性能を向上させるために、LiDAR点群から視点不変3次元セグメント記述子を生成する深層学習ベースの手法を提案している。3つの畳み込みニューラルネットワーク（CNN）アーキテクチャ—シアンプスネットワーク、コントラスト損失ネットワーク、グループベース特徴抽出器—を用いて、学習された記述子が従来の固有値ベースの記述子を著しく上回ることを実証した。その結果、候補検索において最大50%の真陽性一致が達成され、分類精度は80%を超えた。

ABSTRACT

In the absence of global positioning information, place recognition is a key capability for enabling localization, mapping and navigation in any environment. Most place recognition methods rely on images, point clouds, or a combination of both. In this work we leverage a segment extraction and matching approach to achieve place recognition in Light Detection and Ranging (LiDAR) based 3D point cloud maps. One challenge related to this approach is the recognition of segments despite changes in point of view or occlusion. We propose using a learning based method in order to reach a higher recall accuracy then previously proposed methods. Using Convolutional Neural Networks (CNNs), which are state-of-the-art classifiers, we propose a new approach to segment recognition based on learned descriptors. In this paper we compare the effectiveness of three different structures and training methods for CNNs. We demonstrate through several experiments on real-world data collected in an urban driving scenario that the proposed learning based methods outperform hand-crafted descriptors.

研究の動機と目的

• 視点変化や遮蔽に強い3次元セグメント記述子を学習することで、LiDARベースのSLAMにおける場所認識の耐障害性を向上させること。
• 視点の変化や遮蔽下でも性能が著しく低下する手作業で設計された記述子（例：固有値ベース）の限界を是正すること。
• 3次元点群セグメント記述子学習のための複数の深層学習アーキテクチャと学習戦略を評価・比較すること。
• 実世界の都市走行データ上で、学習された記述子が既存手法よりも高い再現率と精度を達成できることを示すこと。
• SLAMシステムへの実装を想定し、高い記述子品質を維持しつつリアルタイム性能を最適化すること。

提案手法

• 3つのCNNベースの記述子学習手法を実装した：コントラスト損失を用いたシアンプスネットワーク、コントラスト損失で訓練された特徴抽出ネットワーク、共有特徴抽出器を用いたグループベース分類器。
• 3次元畳み込み層を用いて3次元点群セグメントから記述子を抽出し、中間活性化出力を最終的な記述子表現として使用した。
• シアンプスネットワークは、一致するセグメントペアの記述子間のユークリッド距離を最小化し、非一致ペアの距離を最大化するように訓練された。
• コントラスト損失に基づくネットワークは、類似ペアを引き寄せ、非類似ペアを押し離すことで、識別的な特徴を学習するように訓練された。
• グループベース分類器は、共有CNNを用いて記述子を抽出し、その連結表現に基づいてランダムフォレストを用いて2つの記述子が一致するかを分類する。
• すべての手法は、実世界の都市LiDARスキャンを用いたKITTIデータセット上で評価され、受信器操作特性曲線（ROC）と近隣探索に基づく候補マッチング精度を指標にした。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの記述子は、3次元セグメントマッチングにおける場所認識において、従来の固有値ベースの記述子を上回ることができるか？
• RQ2 シアンプス、コントラスト損失、グループベースのアーキテクチャおよび学習戦略の中で、視点変化や遮蔽の変動下でも最も高いマッチング精度を達成するのはどれか？
• RQ3 近隣探索による記述子空間内での候補マッチングにおいて、異なる学習ベース手法の再現率と適合率はどのように比較されるか？
• RQ4 記述子の精度と計算スループットのトレードオフは何か？また、リアルタイムSLAMへのデプロイに適した最適化が可能か？
• RQ5 学習された記述子は、手作業で設計された手法と比較して、どの程度の視点不変性および遮蔽不変性を達成しているか？

主な発見

• シアンプスネットワークは、一致するペアと非一致ペアを区別する分類精度が約80%で最高を記録した。
• グループベース特徴抽出ネットワークとコントラスト損失で訓練されたネットワークは、16,000個のセグメントからなるデータセットで、それぞれ約50%の真陽性マッチングを達成した。
• 元のSegMatch手法で用いられる固有値ベース記述子は、たった6%の真陽性マッチングにとどまり、顕著な性能差が示された。
• すべてのCNNベース手法が、分類および候補マッチングの両タスクにおいて、ベースラインの固有値記述子を著しく上回った。
• 最適化されたCNNはGPU上で1秒間に340セグメントのスループットを達成し、高精度を維持しつつリアルタイムデプロイが可能となった。
• コントラスト損失による学習やグループベース学習により、単純な特徴抽出に比べてより頑健な記述子特性が得られ、一般化性と不変性が向上した。