[論文レビュー] Local Map Descriptor for Compressive Change Retrieval

Tanaka Kanji|arXiv (Cornell University)|Mar 3, 2016

Genomics and Phylogenetic Studies被引用数 3

ひとこと要約

本論文は、ロボットマッピングにおけるスケーラブルな圧縮的変化検出のため、圧縮された袋- of- 語（BoW）構造を有する局所マップ記述子（LMD）を提案する。視点プランナを用いてシーン解析により局所マップの原点を安定化させることで、視覚的特徴の外観と空間的レイアウトを直接比較可能とし、特にループクロージャの課題を有する非定常環境において、従来のBoW手法に比べ自己局所化および変化検出の精度を顕著に向上させる。

ABSTRACT

Change detection, i.e., anomaly detection from local maps built by a mobile robot at multiple different times, is a challenging problem to solve in practice. Most previous work either cannot be applied to scenarios where the size of the map collection is large, or simply assumed that the robot self-location is globally known. In this paper, we tackle the problem of simultaneous self-localization and change detection, by reformulating the problem as a map retrieval problem, and propose a local map descriptor with a compressed bag-of-words (BoW) structure as a scalable solution. We make the following contributions. (1) To enable a direct comparison of the spatial layout of visual features between different local maps, the origin of the local map coordinate (termed "viewpoint") is planned by scene parsing and determined by our "viewpoint planner" to be invariant against small variations in self-location and changes, aiming at providing similar viewpoints for similar scenes (i.e., the relevant map pair). (2) We extend the BoW model to enable the use of not only the appearance (e.g., polestar) but also the spatial layout (e.g., spatial pyramid) of visual features with respect to the planned viewpoint. The key observation is that the planned viewpoint (i.e., the origin of local map coordinate) acts as a pseudo viewpoint that is usually required by spatial BoW (e.g., SPM) and also by anomaly detection (e.g., NN-d, LOF). (3) Experimental results on a challenging "loop-closing" scenario show that the proposed method outperforms previous BoW methods in self-localization, and furthermore, that the use of both appearance and pose information in change detection produces better results than the use of either information alone.

研究の動機と目的

• ロボットの自己位置がグローバルに未知である大規模なマップコレクションにおけるスケーラブルな変化検出の課題に対処すること。
• マップ検索タスクに再定式化することで、自己局所化および変化検出を強力に実現すること。
• 安定したシーン解析済みの視点に基づき、特徴の外観と空間的レイアウトの両方を捉える局所マップ記述子の開発。
• 視点の変化やセンサノイズへの感受性を低減することで、変化検出における誤検出を最小限に抑えること。
• 外観情報とポーズ情報の組み合わせが、単独で用いる場合よりも、意味のある環境変化検出に優れていることを実証すること。

提案手法

• 視点プランナは、シーン解析を用いて、微小な自己位置のずれや環境変化に対して不変な、各局所マップの安定した原点（視点）を特定する。
• 提案された局所マップ記述子（LMD）は、計画された視点からの相対的な空間ピラミッド構造を用いて、袋- of- 語モデルに空間的レイアウトを統合する。
• 大規模なマップコレクションにおける効率的な検索を可能にするために、圧縮されたBoW表現を用いる。
• 異常検出は、閾値付きの異常度スコアを用いたNN-d（最近傍距離）により実施され、ノイズや視点変化と実際の変化を区別する。
• 本手法は、レーザデータから得られた2次元ポイントセットマップを対象とし、シーン解析にはマンハッタンワールド文法を用いる。
• 自己局所化は、マップレベルの類似度を用いてデータベース内から最も類似したマップを検索した後、上位ランクのマップに対して変化検出を実施することで達成される。

実験結果

リサーチクエスチョン

• RQ1 シーン解析に基づく視点プランナは、異なるロボットポーズ間での視覚的特徴の直接比較を可能にするように、局所マップの原点を安定化させることができるか？
• RQ2 袋- of- 語モデルに空間的レイアウト情報を組み込むことで、外観のみのBoWに比べて、変化検出性能が向上するか？
• RQ3 自己位置が未知の状態で、困難なループクロージング状況下でも、提案されたLMD手法は自己局所化および変化検出にどの程度有効か？
• RQ4 外観情報とポーズ情報の組み合わせは、単独で用いる場合よりも、意味のある環境変化検出に有効であるか？
• RQ5 動的環境を有する大規模な局所マップコレクションに適用した場合、本手法の性能はどのようにスケーリングするか？

主な発見

• 提案されたLMD手法は、視点の変化や環境変化に対してより高いロバスト性を示し、標準的なBoW手法に比べて自己局所化性能で優れた結果を示した。
• LMD記述子において外観と空間的レイアウトの両方の情報を用いることで、単独で用いる場合よりも顕著に優れた変化検出結果が得られた。
• NN-d異常検出の最適な閾値は1.0から3.0の範囲にあり、誤検出と見逃しのバランスが取れていた。
• 非定常環境では定常環境に比べて性能が低下したが、これは新しい物体の出現に伴う変化検出の難しさを示している。
• 視点プランナは、類似したシーンに対して一貫した視点を生成し、事前のアライメントなしに信頼性の高いマップ比較を可能にした。
• 8つの記述子全体で平均ANR（平均検索数）は25.1であったが、記述子#1（polestar）を単純性のため選択した。性能差は最小限であった。