[論文レビュー] Object-based World Modeling in Semi-Static Environments with Dependent Dirichlet-Process Mixtures

Lawson L. S. Wong, Thanard Kurutach+2 more|arXiv (Cornell University)|Dec 2, 2015

Bayesian Methods and Mixture Models参考文献 16被引用数 3

ひとこと要約

本稿では、観測間で物体がほとんど静止したままの半静的環境において、オブジェクトベースのワールドモデリングを目的とした従属ディリクレ過程混合モデル（DDPMM）を提案する。静的クラスタリングにDDPMMを用いて時間的依存性を拡張し、データアソシエーション制約を満たすMAP推論アルゴリズムを導出することで、従来のマルチターゲットトラッキングに比べて計算効率を向上させつつ、ノイズが多く部分的な観測のもとでもオブジェクトトラッキングおよび属性推定の精度を維持する。

ABSTRACT

To accomplish tasks in human-centric indoor environments, robots need to represent and understand the world in terms of objects and their attributes. We refer to this attribute-based representation as a world model, and consider how to acquire it via noisy perception and maintain it over time, as objects are added, changed, and removed in the world. Previous work has framed this as multiple-target tracking problem, where objects are potentially in motion at all times. Although this approach is general, it is computationally expensive. We argue that such generality is not needed in typical world modeling tasks, where objects only change state occasionally. More efficient approaches are enabled by restricting ourselves to such semi-static environments. We consider a previously-proposed clustering-based world modeling approach that assumed static environments, and extend it to semi-static domains by applying a dependent Dirichlet-process (DDP) mixture model. We derive a novel MAP inference algorithm under this model, subject to data association constraints. We demonstrate our approach improves computational performance in semi-static environments.

研究の動機と目的

• オブジェクトの変化がまれな人間中心の屋内環境において、正確で属性ベースのワールドモデルを維持する課題に対処すること。
• オブジェクトが観測エポック間で静止しているという半静的ダイナミクスを活用することで、完全な動的運動を仮定するのではなく、計算コストを低減すること。
• 時間的依存性をオブジェクト属性間でモデル化することで、静的クラスタリングに基づくワールドモデリングを動的で半静的な領域へ拡張すること。
• データアソシエーション制約を満たし、欠損またはノイズのある観測に対処できる、DDPMMフレームワーク下での新しいMAP推論アルゴリズムの開発。
• 半静的設定において、従来のマルチターゲットトラッキング手法に比べて計算パフォーマンスが向上することの実証。

提案手法

• 本手法は、時間経過に伴うオブジェクト検出のクラスタ間の時間的依存性をモデル化するため、従属ディリクレ過程混合モデル（DDPMM）を用いる。これにより、オブジェクトの持続性と属性の変化を扱える。
• 姿勢予測のためのカルマンフィルタのダイナミクスに基づく予測尤度と、観測尤度の両方を用いた、畳み込みギブスサンプリング推論スキームを採用する。
• 観測の割り当てを3つのケースでモデル化する：(1) 既存でインスタンス化済みのクラスタ、(2) 既存だがインスタンス化されていないクラスタ（将来予測用）、(3) 新規クラスタ（非情報的ベース分布を用いて）。
• 将来の姿勢の予測分布は、最後に観測された状態をプロセスノイズを伴って前方に伝播させる一般化された遷移モデルを用いて導出され、$\mathcal{N}(\mu^{k\tau}, \Sigma^{k\tau} + (t-\tau)R(a^k))$ として表現される。
• 新規クラスタの作成には、世界ボリューム全体に一様事前分布を用いることで、不適切な後験尤度の評価を回避する。不適切な正規事前分布の代わりに、適切な一様分布を導入する。
• 観測尤度は、属性$a^k$と姿勢$x^{kt}$の潜在パラメータを統合し、属性にはカテゴリカル尤度、空間的姿勢にはガウス尤度を組み合わせて定式化する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン非パラメトリックモデルは、完全な動的運動を仮定しない半静的環境において、オブジェクトの持続性と属性変化を効果的にモデル化できるか？
• RQ2 時間経過に伴うオブジェクトクラスタ間の時間的依存性をどのようにモデル化することで、データアソシエーションの精度を向上させ、計算コストを低減できるか？
• RQ3 未知のオブジェクト数とノイズが多く部分的な観測がある状況下でも、効率的かつスケーラブルなワールドモデリングを実現する推論戦略は何か？
• RQ4 提案手法のDDPMMベースのアプローチは、半静的領域における従来のマルチターゲットトラッキング手法と比較して、精度と計算効率の両面で優れているか？
• RQ5 オブジェクトの誕生・消滅および属性変化を扱えるか、かつ時間経過に伴って一貫したアイデンティティ追跡を維持できるか？

主な発見

• 提案されたDDPMMベースのワールドモデリング手法は、半静的環境において従来のマルチターゲットトラッキング手法に比べて顕著な計算効率の向上を達成した。
• 本手法は、時間的依存性を有する原理的でベイジアン非パラメトリックな枠組みを用いて、オブジェクトの持続性、属性変化、オブジェクトの出現・消滅を効果的にモデル化した。
• 予測尤度を用いた畳み込みギブスサンプリング推論により、高ノイズや遮蔽下でも頑健なデータアソシエーションが実現され、式(37)～(41)の尤度表現によって裏付けられた。
• 新規クラスタ作成に世界ボリューム全体に一様事前分布を用いることで、不適切な後験尤度の評価を回避し、不適切な密度を必要としない安定な推論が可能になった。
• 時間的ダイナミクスを組み込んだことで、静的クラスタリング手法を上回る性能を発揮し、オブジェクト属性と姿勢の時間的追跡が正確に可能となった。
• データアソシエーション制約を満たすMAP推論アルゴリズムにより、誤検出や欠落がある状況下でもモデルの複雑さと精度のバランスが適切に保たれた。