[論文レビュー] Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception

Alberto Elfes|arXiv (Cornell University)|Mar 27, 2013

Robotics and Sensor-Based Localization参考文献 12被引用数 221

ひとこと要約

本論文では、各セルが占有状態に関する信念を保持する確率的グリッドとして環境の占有状態をモデル化する、確率的空間表現であるオカペイアンシィ・グリッドを紹介する。マルチセンサ、マルチビューのデータを用いたベイズ推論により、不確実性下でも堅牢で段階的なマッピング、パスプランニング、障害物回避を実現し、明示的な不確実性処理を伴う実世界のロボット認識タスクにおいて優れた性能を示している。

ABSTRACT

In this paper we provide an overview of a new framework for robot perception, real-world modelling, and navigation that uses a stochastic tesselated representation of spatial information called the Occupancy Grid. The Occupancy Grid is a multi-dimensional random field model that maintains probabilistic estimates of the occupancy state of each cell in a spatial lattice. Bayesian estimation mechanisms employing stochastic sensor models allow incremental updating of the Occupancy Grid using multi-view, multi-sensor data, composition of multiple maps, decision-making, and incorporation of robot and sensor position uncertainty. We present the underlying stochastic formulation of the Occupancy Grid framework, and discuss its application to a variety of robotic tusks. These include range-based mapping, multi-sensor integration, path-planning and obstacle avoidance, handling of robot position uncertainty, incorporation of pre-compiled maps, recovery of geometric representations, and other related problems. The experimental results show that the Occupancy Grid approach generates dense world models, is robust under sensor uncertainty and errors, and allows explicit handling of uncertainty. It supports the development of robust and agile sensor interpretation methods, incremental discovery procedures, and composition of information from multiple sources. Furthermore, the results illustrate that robotic tasks can be addressed through operations performed di- rectly on the Occupancy Grid, and that these operations have strong parallels to operations performed in the image processing domain.

研究の動機と目的

• センサの不確実性と動的環境を扱える統合的で確率的な空間表現を、アクティブロボット認識のために開発すること。
• ベイズ推定を用いて不確実性を伝搬させながら、段階的かつマルチセンサによるマップ構築を可能にすること。
• 一度の統一された世界モデルを用いて、マッピング、ナビゲーション、障害物回避といったロボットナビゲーションタスクを支援すること。
• ロボットポーズの不確実性と事前に作成されたマップを、一貫性のある空間フレームワークに統合すること。
• 複雑なロボットシステムにおけるセンサ解釈と情報統合の基盤を提供すること。

提案手法

• オカペイアンシィ・グリッドは、空間をセルの格子として表現し、各セルに占有確率を割り当てる。ベイズ更新機構を用いる。
• 複数の視点およびセンサからのセンサデータは、確率的センサモデルを用いて統合され、セルの占有確率を段階的に更新する。
• フレームワークは、ロボットおよびセンサの位置の不確実性を組み込むために、後験確率の維持に再帰的ベイズ推定を採用する。
• マップ構成は、確率的統合ルールを用いた複数のグリッドのマージによりサポートされ、大規模な環境モデリングを可能にする。
• パスプランニングや障害物回避などの操作は、画像処理に類似した空間推論を用いて、グリッド上で直接実行される。
• 後処理としきい値処理により、確率的グリッドから幾何的特徴を回復できる。

実験結果

リサーチクエスチョン

• RQ1 ロボットは、センサのノイズや不確実性がある中で、一貫性のある確率的環境表現をどのように維持できるか？
• RQ2 マルチセンサ、マルチビューのデータを用いて、段階的にマップを構築・更新する効果的な方法は何か？
• RQ3 ロボットポーズの不確実性とセンサ誤差を、空間表現に明示的にモデル化し、伝搬させることは可能か？
• RQ4 一度の空間構造が、マッピング、ナビゲーション、障害物回避といった多様なロボットタスクをサポートできるか？
• RQ5 オカペイアンシィ・グリッド上で実行される操作は、空間推論のための画像処理技術をどの程度模倣できるか？

主な発見

• オカペイアンシィ・グリッドは、センサのノイズや誤差に強く、密度の高い確率的ワールドモデルを生成する。
• ベイズ推論を用いることで、不確実性の正確な伝搬を伴う段階的マップ更新が可能になる。
• マルチセンサおよびマルチビューのデータ統合が効果的にサポートされ、マップの精度と完全性が向上する。
• 不確実性下でも、グリッド上で直接パスプランニングや障害物回避が実行可能で、優れた性能を示す。
• 事前に作成されたマップとロボットポーズの不確実性が、統一された表現にシームレスに統合できる。
• グリッドベースの定式化は、画像処理の操作と強い類似性を示し、効率的な空間推論を可能にする。