[論文レビュー] Proactive Anomaly Detection for Robot Navigation with Multi-Sensor Fusion

Tianchen Ji, Arun N. Sivakumar+2 more|arXiv (Cornell University)|Apr 3, 2022

Anomaly Detection Techniques and Applications被引用数 6

ひとこと要約

本稿では、計画された運動と現在の観測を用いて、カメラとLiDARのマルチセンサデータを統合することで、リアルタイムで将来のナビゲーション障害を予測するプロアクティブな異常検出ネットワークPAADを提案する。実世界の現地テストにおいて、反応型および単モダリティ手法を上回る優れた障害検出性能を達成し、誤検出が少ない。複雑で不確実性の高い環境下でも優れた性能を示した。

ABSTRACT

Despite the rapid advancement of navigation algorithms, mobile robots often produce anomalous behaviors that can lead to navigation failures. The ability to detect such anomalous behaviors is a key component in modern robots to achieve high-levels of autonomy. Reactive anomaly detection methods identify anomalous task executions based on the current robot state and thus lack the ability to alert the robot before an actual failure occurs. Such an alert delay is undesirable due to the potential damage to both the robot and the surrounding objects. We propose a proactive anomaly detection network (PAAD) for robot navigation in unstructured and uncertain environments. PAAD predicts the probability of future failure based on the planned motions from the predictive controller and the current observation from the perception module. Multi-sensor signals are fused effectively to provide robust anomaly detection in the presence of sensor occlusion as seen in field environments. Our experiments on field robot data demonstrates superior failure identification performance than previous methods, and that our model can capture anomalous behaviors in real-time while maintaining a low false detection rate in cluttered fields. Code, dataset, and video are available at https://github.com/tianchenji/PAAD

研究の動機と目的

• 障害が発生した後にのみ検出する反応型異常検出の限界を克服し、将来的なナビゲーション障害を早期に予測すること。
• センサの遮蔽やノイズの高い信号が性能を低下させる不規則で不確実性の高い現地環境における耐障害性を向上させること。
• 計画された制御軌道とリアルタイムのセンサ観測を活用して、早期の障害予測を実現するプロアクティブな検出システムを開発すること。
• カメラとLiDAR信号の特徴レベル統合により検出の信頼性を向上させ、単一センサの故障に敏感になるのを低減すること。
• 高い環境不確実性とセンサノイズがある中でも、リアルタイム動作において誤検出率を低く維持すること。

提案手法

• PAADは、現在の認識観測（カメラとLiDAR特徴）と予測制御器から得られる計画された運動軌道を入力とする深層ニューラルネットワークを用いる。
• カメラとLiDARからの特徴は、畳み込みエンコーダーを別々に用いて抽出され、2段階にわたり特徴レベルで統合され、耐障害性が向上する。
• モデルは、障害確率の予測損失と再構成損失を組み合わせた混合損失関数で訓練され、一般化性能とノイズ耐性が向上する。
• ノイズの高い制御行動からの安定した特徴学習を可能にするために、生の制御信号の代わりに低分散の画像表現された計画経路が使用される。
• 異常検出は、割引累積異常スコアを用いてリアルタイムで実行される：$ s_t = \beta \sum_{k=0}^{T-1} \gamma^k y_{t+k} $、ここで$ y_{t+k} $は時刻$ t+k $における予測された障害確率である。
• 一時的なノイズへの耐性を高めるために、3回連続でしきい値を超過する異常スコアが検出された場合にのみ、0.5の検出しきい値が適用される。

実験結果

リサーチクエスチョン

• RQ1 不規則な現地環境下で、反応型手法よりも早期に将来的なナビゲーション障害を予測できるプロアクティブな異常検出システムは実現可能か？
• RQ2 カメラとLiDARのマルチセンサ統合は、センサ遮蔽やノイズの高い信号下でも検出の耐障害性をどのように向上させるか？
• RQ3 生の制御信号の代わりに計画経路の表現を用いることで、検出の安定性と性能はどの程度向上するか？
• RQ4 本手法は、密集した雑草や複雑な地形を含む多様な現地条件下でも、リアルタイム動作において誤検出率を低く維持できるか？
• RQ5 オフラインおよびリアルタイムのテストシナリオにおいて、本手法の性能は単モダリティおよびマルチモダリティのベースラインと比較してどの程度優れているか？

主な発見

• オフラインデータセットにおいて、PAADは最先端の手法と比較して最高のF1スコアとPR-AUCを達成し、障害同定性能が優れていることを示した。
• リアルタイムテストでは、共通の現地環境で3つの異常をすべて検出し、雑草が生えた環境では8つ中7つを検出。共通環境では誤検出が1件、雑草環境では8件であった。
• LiDARベースラインは雑草環境で40件以上の誤検出を引き起こしたが、PAADは誤検出率が8件に抑えられ、耐障害性が向上していることが示された。
• PAADは、作物のすき間によるオフトライン走行といったレアな障害モードを正常に捉え、他の手法が見逃していた。
• アブレーションスタディにより、特徴レベル統合と混合学習損失がモデルの一般化性能とノイズ耐性を顕著に向上させたことが確認された。
• PAADは、下流のコントローラーに依存しないことが実証され、LiDARベースおよびビジョンベースのナビゲーションシステムの両方で良好な性能を示した。