[論文レビュー] Mobility Map Computations for Autonomous Navigation using an RGBD Sensor

Nicolò Genesio, Tariq Abuhashim+3 more|arXiv (Cornell University)|Oct 5, 2016

Robotics and Sensor-Based Localization参考文献 13被引用数 4

ひとこと要約

本稿では、iCub人間型ロボットに搭載されたRGBDセンサを用いた自律走行のためのリアルタイムな移動可能性マップ計算パイプラインを提示する。点群処理、表面特性の推定（傾き、粗さ）、およびガウス過程回帰（GPR）を用いた学習済み移動コスト関数を組み合わせることで、0（赤、非通過可能）から1（緑、完全に通過可能）までのスコアで通過可能な領域を分類し、2 Hzの処理レートを達成した。これは屋内環境におけるステップ計画に適している。

ABSTRACT

In recent years, the numbers of life-size humanoids as well as their mobile capabilities have steadily grown. Stable walking motion and control for humanoid robots are active fields of research. In this scenario an open question is how to model and analyse the scene so that a motion planning algorithm can generate an appropriate walking pattern. This paper presents the current work towards scene modelling and understanding, using an RGBD sensor. The main objective is to provide the humanoid robot iCub with capabilities to navigate safely and interact with various parts of the environment. In this sense we address the problem of traversability analysis of the scene, focusing on classification of point clouds as a function of mobility, and hence walking safety.

研究の動機と目的

• 3次元深度データを用いたシーンの通過可能性分析により、iCub人間型ロボットが屋内環境を自律的にナビゲートできるようにすること。
• 幾何的およびテクスチャ的特性（傾き、粗さ、サイズなど）に基づいて、表面を通過可能または非通過可能に分類するリアルタイムパイプラインを開発すること。
• 歩行の安全性を示す連続的なスコア（0–1）を持つ移動可能性マップを生成し、安全なステップ計画を可能にすること。
• データ削減およびノイズ除去を実施することで計算コストを低減しながら、動的ナビゲーションに必要な正確さを維持すること。
• 障害物を含む屋内シナリオでシステムを検証し、RGBDセンサのデータと画像投影を用いて可視化および検証すること。

提案手法

• 本システムは、30 fpsで640×480の深度マップを取得するAsus Xtion Pro Live RGBDセンサを用い、1フレームあたり30万点以上の点群を取得する。
• データ削減は、点群を1cm×1cm×1cmのボクセルにダウンサンプリングし、1.5–2メートルを超える点群を除外することで実施し、ノイズと計算負荷を低減する。
• ノイズ除去は、赤外線干渉や三角測量誤差に起因するセンサノイズを低減するために適用される。
• 表面法線は、削減された点群に対してk=10のk近傍（k-NN）を用いて推定される。
• 表面領域の分類には、ハイブリッドなRGB-N（色および法線に基づく）セグメンテーション手法が用いられ、その後、最大の平面的領域を仮定して地面領域を除去する。
• 各セグメントごとに傾きや粗さなどの表面特性が推定され、経験的に導かれたルールを用いてガウス過程回帰（GPR）により移動コスト関数が学習される。

実験結果

リサーチクエスチョン

• RQ1 RGBDセンサデータからリアルタイムな移動可能性マップを計算し、人間型ロボットの通過可能領域と非通過可能領域を分類することは可能か？
• RQ2 幾何的特徴（傾き、粗さ）と色情報の組み合わせは、安全なナビゲーションのための表面のセグメンテーションおよび分類にどの程度効果的か？
• RQ3 GPRに基づく学習済み移動コスト関数は、ヒューリスティックなルールに比べて通過可能性推定の精度を向上させられるか？
• RQ4 パイプラインの計算性能はフレームレートという観点でどの程度で、リアルタイムなステップ計画に適しているか？
• RQ5 複雑な屋内環境（障害物を含む）において、システムの性能はいかがで、画像投影および3次元可視化によって検証可能か？

主な発見

• システムは2 Hzの処理レートを達成し、1点群あたりのパイプライン全体の遅延が486.049 msであるため、リアルタイムなステップ計画に適している。
• 移動可能性マップ生成パイプラインの各処理ステップの時間は以下の通りである：ノイズ除去（68.133 ms）、データ削減（39.873 ms）、法線推定（144.766 ms）、地面除去（31.482 ms）、表面特性推定（175.303 ms）。
• ガウス過程回帰（GPR）モデルは、経験的に導かれたルールから移動コスト関数を効果的に学習し、0から1までの滑らかで連続的な通過可能性スコアを提供した。
• 本手法は、障害物のない環境および障害物が豊富な屋内環境の両方で、表面のセグメンテーションおよび分類を効果的に行い、RGB画像への投影により緑（通過可能）および赤（非通過可能）領域として可視化された。
• 本システムは、屋内環境においても安定した性能を示し、正確な地面除去およびセグメンテーションが3次元点群可視化および画像に一致した移動可能性マップによって検証された。
• パイプラインはC++で実装されており、GitHub上で公開されており、再現性およびさらなる開発が可能である。