[論文レビュー] On Machine Learning and Structure for Mobile Robots

Markus Wulfmeier|arXiv (Cornell University)|Jun 15, 2018

Robotic Path Planning Algorithms参考文献 109被引用数 4

ひとこと要約

本稿は、モバイルロボティクスにおける機械学習と構造的事前知識の統合を調査し、学習モデルと幾何学的・運動学的・動的事前知識を組み合わせることで、よりロバストで効率的かつ安全な自律システムが実現可能であると主張している。ハイブリッドアプローチ—学習が従来のモジュールを補完または補正するもの—が、純粋な学習や手作業によるシステムに比べて優れた性能を発揮することを示している。

ABSTRACT

Due to recent advances - compute, data, models - the role of learning in autonomous systems has expanded significantly, rendering new applications possible for the first time. While some of the most significant benefits are obtained in the perception modules of the software stack, other aspects continue to rely on known manual procedures based on prior knowledge on geometry, dynamics, kinematics etc. Nonetheless, learning gains relevance in these modules when data collection and curation become easier than manual rule design. Building on this coarse and broad survey of current research, the final sections aim to provide insights into future potentials and challenges as well as the necessity of structure in current practical applications.

研究の動機と目的

• モバイルロボットの認識、局所化、マッピング、計画、制御における機械学習の現在の役割を分析すること。
• 幾何学的・動的などの構造的事前知識が、学習ベースのアプローチをどのように補完・強化するかを調査すること。
• 実用的ロボティクス応用におけるエンドツーエンド学習とモジュラーで構造的なシステムの間のトレードオフを評価すること。
• ロバストで安全な自律システムを実現するための学習と事前知識の統合における主な課題と今後の方向性を特定すること。
• 近い将来に実用化可能なロボティクスの最良の道筋として、'構造付き学習'というハイブリッドパラダイムを提唱すること。

提案手法

• モバイルロボティクスにおける認識、局所化、マッピング、トラッキング、計画、制御モジュールにおける最先端の学習ベース手法を調査すること。
• 微分可能で学習可能なコンponentと従来の手作業によるモジュール（例：視覚オドメトリのポーズ補正、SLAMを活用した強化学習）を組み合わせたハイブリッドアーキテクチャを分析すること。
• 幾何学的・時間的構造（例：深度推定やポーズ推定のための微分可能画像ワープ）を活用する自己教師あり学習技術を検討すること。
• データ拡張やインダクティブバイアス（例：平行移動不変性、オブジェクト性、時間的整合性）を、ディープラーニングにおける構造的知識の形として評価すること。
• 構造的スーパービジョンやアーキテクチャ制約を通じて、事前知識を活用して一般化性能を向上させること、たとえモデルが不正確であっても有効である点を検証すること。
• データ効率性、解釈可能性、安全性、実世界への展開可能性の観点から、エンドツーエンド学習と構造的でモジュラーなシステムを比較すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習を幾何学的・動的などの事前知識と効果的に組み合わせることで、モバイルロボットの認識や制御性能をどのように向上させられるか？
• RQ2 構造的事前知識は、ロボティクスにおける学習モデルのサンプル効率性、ロバスト性、安全性をどのように向上させるか？
• RQ3 完全に学習されたシステムと、従来のプログラミングと学習を統合するハイブリッドシステムとの間で、実用的なトレードオフはどのようなものか？
• RQ4 再投影誤差などの幾何学的構造に基づく自己教師あり学習は、アノテーションデータへの依存をどの程度低減できるか？
• RQ5 SLAMやマップ情報の統合は、強化学習ポリシーのトレーニングと一般化性能をどのように向上させるか？

主な発見

• ImageNetのような大規模データセットのおかげで、ディープラーニングは物体検出、セマンティックセグメンテーション、深度推定といった認識タスクで優位な性能を達成している。
• 認識分野の進展にもかかわらず、局所化、マッピング、計画モジュールは、安全性、解釈可能性、データ効率性の制約から、依然として手作業によるルールや幾何学的事前知識に大きく依存している。
• 学習が従来のモジュールを補正または強化するハイブリッドシステム（例：ポーズの最適化、視覚オドメトリのための画像強化）は、純粋な学習または純粋なルールベースのシステムに比べ、より優れた性能とロバスト性を発揮する。
• 幾何学的構造（例：微分可能画像ワープ）を活用した自己教師あり学習により、明示的なラベルなしでトレーニングが可能となり、アノテーションの負担を軽減しながらも正確性を維持できる。
• 平行移動不変性、時間的整合性、オブジェクト性といったインダクティブバイアスを組み込むことで、ロボティクスにおけるディープラーニングの一般化性能とサンプル効率性が向上する。
• 事前モデルが不正確であっても、学習フレームワークに構造的知識を埋め込むことで性能向上が達成可能であり、構造的事前知識の頑健性と有用性が示された。