[論文レビュー] Planning Paths Through Unknown Space by Imagining What Lies Therein

Yutao Han, Jacopo Banfi+1 more|arXiv (Cornell University)|Nov 14, 2020

Robotics and Sensor-Based Localization参考文献 25被引用数 5

ひとこと要約

本論文は、部分的な点群地図における遮蔽領域の意味的ラベルを推定するためにGANベースの画像補完を用いる、新しいパスプランニングフレームワークを提案する。これにより、未知の都市環境においてロボットが障害物を予測し、より効率的なパスを計画できるようになる。単一センサからのスキャンから情報に基づいた障害物マップを生成することで、最短パス長、再計画頻度、パス発見失敗率が、楽観的ベースライン計画法と比較して最大50%まで低減される。

ABSTRACT

This paper presents a novel framework for planning paths in maps containing unknown spaces, such as from occlusions. Our approach takes as input a semantically-annotated point cloud, and leverages an image inpainting neural network to generate a reasonable model of unknown space as free or occupied. Our validation campaign shows that it is possible to greatly increase the performance of standard pathfinding algorithms which adopt the general optimistic assumption of treating unknown space as free.

研究の動機と目的

• センサの制限により遮蔽されたり未知の領域を有する屋外都市環境におけるパスプランニングの課題に対処すること。
• 未知セルをすべて自由領域と仮定する標準的な楽観的仮定の改善。この仮定は頻繁な再計画とパス失敗を引き起こす。
• 人間のナビゲーションに類似した先見性を発揮するために、意味的文脈を用いて見えない領域を推論できるロボットの能力を実現すること。
• 部分的センサ入力からより情報に基づいた障害物マップを生成するデータ駆動型フレームワークの開発。
• 画像補完が複雑で遮蔽の多いシーンにおけるパス長、再計画頻度、パス発見失敗の低減に有効であることを検証すること。

提案手法

• 本手法は、1台のライダーからのセマンティックアノテーション付き点群またはステレオ画像ペアを入力として受ける。
• 点群が地上視点（BEV）表現に投影され、ラベルなし（未知）領域を有する2次元占有マップが作成される。
• GANベースの画像補完ネットワークが、未知ピxlsのセマンティックラベルを予測し、より完全で現実的な障害物マップを生成する。
• 補完されたマップが、自由空間（白）と障害物（黒）に変換され、標準的なパス探索アルゴリズムで使用可能になる。
• フレームワークはA*などの古典的プランナと統合され、オンライン探索の前に、補完されたマップを用いてパス選択をガイドする。
• 補完ネットワークの学習に使用する、セマンティックアノテーションと遮蔽を有する屋外都市シーンのカスタムデータセットを構築した。

実験結果

リサーチクエスチョン

• RQ1 画像補完は、部分的マップの遮蔽領域における妥当な意味的レイアウトを推定するために、パスプランニングの向上に有効に利用できるか？
• RQ2 未知領域を自由領域と仮定する標準的な楽観的仮定と比較して、補完されたマップを使用した場合のパス効率と再計画頻度はどのように異なるか？
• RQ3 予期しない障害物に直面した場合に、プランナが再計画を実行する回数は、本フレームワークによってどの程度削減されるか？
• RQ4 シーンの複雑さと遮蔽密度が高くなるほど、補完ベースのアプローチの性能向上は顕著になるか？
• RQ5 前景の物体だけでなく、背景クラス（例：建物）の背後に位置する障害物も予測できるか。これによりナビゲーションの先見性が向上するか？

主な発見

• 中程度および困難なシーンの試行において、補完マップは楽観的ベースラインと比較してパスステップ数を20–30%まで削減した。特に遮蔽の多い環境で最大の効果を示した。
• 補完マップを使用した場合、再計画回数は最大30%まで削減された。特にランダムなスタート位置と複雑なシーンを含む試行で顕著であった。
• 最も困難なシーン（画像285）では、ベースラインの再計画回数は42.6であったが、補完法では40.7にまで低下し、パスが不可能であることを早期に検出できた。
• 簡単なシーン（画像45）では、遮蔽がほとんどなかったため、ベースラインがわずかに補完法を上回った。これは、本手法の価値がシーンの複雑さに比例することを確認した。
• 視覚的比較では、補完マップが壁で埋められたギャップを回避する様子から、迂回路やデッドエンドへの進入回数が顕著に減少していることが示された。
• ほとんどの試行において、本手法は真の最短パスの10–20%以内のパス長を達成し、挑戦的な状況下でも優れた性能を示した。