[論文レビュー] Learning Continuous Environment Fields via Implicit Functions

Xueting Li, Shalini De Mello+4 more|arXiv (Cornell University)|Nov 27, 2021

Human Pose and Action Recognition参考文献 49被引用数 5

ひとこと要約

本稿では、任意のシーン上の点から目的地点までの最短で実行可能な軌道長（到達距離）として定義される、ニューラルインプリシット関数を用いた連続的環境フィールド表現を提案する。この手法は離散的にサンプリングされたデータからこのフィールドを学習し、2次元の迷路および3次元の屋内シーンにおいて、RRT や PRM といったサンプリングベースの手法と比較して、より高い軌道精度と効率性を実現する勾配ベースのナビゲーションを可能にする。

ABSTRACT

We propose a novel scene representation that encodes reaching distance -- the distance between any position in the scene to a goal along a feasible trajectory. We demonstrate that this environment field representation can directly guide the dynamic behaviors of agents in 2D mazes or 3D indoor scenes. Our environment field is a continuous representation and learned via a neural implicit function using discretely sampled training data. We showcase its application for agent navigation in 2D mazes, and human trajectory prediction in 3D indoor environments. To produce physically plausible and natural trajectories for humans, we additionally learn a generative model that predicts regions where humans commonly appear, and enforce the environment field to be defined within such regions. Extensive experiments demonstrate that the proposed method can generate both feasible and plausible trajectories efficiently and accurately.

研究の動機と目的

• 別個の強化学習訓練を必要とせず、エージェント行動を直接誘導する動的シーン表現を開発すること。
• 離散的な監視情報のみで、2次元および3次元環境において密度の高い連続的到達距離フィールドを学習する課題に対処すること。
• シーンの現実性とアフォーダンスを統合することで、ナビゲーションおよび人間の運動モデリングのための軌道生成を改善すること。
• 反復的探索アルゴリズムの代わりに、高速なニューラルネットワーク推論により、効率的でリアルタイムの軌道最適化を可能にすること。
• 物理的に妥当で衝突がなく、サポートを考慮した軌道を持つ3次元屋内シーンにおける人間の運動をモデル化すること。

提案手法

• 任意の2次元または3次元シーン座標をその目的地点までの到達距離にマッピングする連続的環境フィールドを学習するため、ニューラルインプリシット関数を活用する。
• 完全な密度のある監視を避けるために、(位置, 到達距離) の離散的サンプルペアを用いてインプリシットネットワークを訓練する。
• インプリシットフィールドにおける勾配降下を用いて、到達距離を最小化することで、エージェントまたは人間の軌道を反復的に最適化する。
• 行動の現実性を強制するために、変分オートエンコーダー（VAE）を統合し、人間が占有可能な領域（妥当な人間が居られる領域）を環境フィールドに組み込む。
• ポーズ依存の軌道探索を実装し、人間のボディポーズを条件として環境フィールドに適用することで、サポートの確保と衝突回避を保証する。
• ナビゲーションおよび運動予測の両方を最適化するため、環境フィールドと利用可能領域を統合的に最適化するエンドツーエンドの訓練を可能にする。

実験結果

リサーチクエスチョン

• RQ1 疎な監視情報から連続的で微分可能な環境フィールドを学習し、2次元および3次元シーンにおけるエージェントナビゲーションを誘導できるか？
• RQ2 完全な真値距離アノテーションを必要とせずに、ニューラルインプリシット関数が密度の高い到達距離フィールドを効果的に表現できるか？
• RQ3 物理的制約を尊重しながら、3次元屋内環境における妥当な人間の運動軌道をモデル化するために、環境フィールドを拡張できるか？
• RQ4 VAEで学習された利用可能領域の統合が、予測された人間の軌道の現実性と実現可能性をどのように向上させるか？
• RQ5 本手法は、RRT や PRM といった古典的サンプリングベースのパスプランニング手法と比較して、どの程度効率性と軌道品質の面で優れているか？

主な発見

• 提案手法は PROX データセットにおいて、平均的に目的地点までの距離が 0.015 に達し、RRT（0.127）や PRM（0.139）を上回る軌道精度を達成した。
• 本手法は、アフォーダンスなしの場合に平均 0.028 秒、アフォーダンスありの場合に 0.038 秒の平均軌道探索時間を実現し、PRM（1.310 秒）や RRT（0.153 秒）よりも顕著に高速であった。
• アフォーダンスモデリングを適用した場合、有効なポーズ（支持と衝突なし）の割合が 75.32% に達し、PROX データセットにおいて HMP（65.00%）を上回った。
• モデルは、障害物を避けながら物理的に妥当な軌道を、最大 8 秒（120 フレーム）の長時間にわたって正しく予測できた。
• 環境フィールドにより、ナビゲーションのための効率的な勾配ベース最適化が可能になり、新たな目的地点に対して繰り返しパスプランニングを実行する必要がなくなった。
• 定性的な結果から、軌道が不適切な領域（例：机の下）を避け、特に利用可能領域が統合された場合、自然な人間の運動パターンに従っていることが示された。