[論文レビュー] Scaling Local Control to Large-Scale Topological Navigation

Xiangyun Meng, Nathan Ratliff+2 more|arXiv (Cornell University)|Sep 26, 2019

Robotics and Sensor-Based Localization参考文献 30被引用数 5

ひとこと要約

本稿では、到達可能性推定器を用いて局所制御と長期計画を分離することで、スケーラブルで頑健な視覚的トポロジカルナビゲーションシステムを提案する。Riemannian Motion Policy (RMP) コントローラーと深層学習ベースの到達可能性推定器をシミュレーションで訓練することで、微調整なしに実ロボットへの一般化を実現し、大規模な屋内環境で84.6–95.7%の計画成功率を達成した。

ABSTRACT

Visual topological navigation has been revitalized recently thanks to the advancement of deep learning that substantially improves robot perception. However, the scalability and reliability issue remain challenging due to the complexity and ambiguity of real world images and mechanical constraints of real robots. We present an intuitive solution to show that by accurately measuring the capability of a local controller, large-scale visual topological navigation can be achieved while being scalable and robust. Our approach achieves state-of-the-art results in trajectory following and planning in large-scale environments. It also generalizes well to real robots and new environments without retraining or finetuning.

研究の動機と目的

• 視覚的曖昧性、制御ノイズ、動的障害物の影響により生じる大規模な視覚的トポロジカルナビゲーションにおけるスケーラビリティと信頼性の課題に対処する。
• 完全な軌道追従を仮定する従来手法の限界を克服し、確率的計画能力を欠いている点を解消する。
• 微調整なしに、シミュレーションでの訓練データのみを用いて実世界環境での頑健なナビゲーションを可能にする。
• 新しい未体験の経験が発生した場合にのみ成長する、コンパクトで適応的なトポロジカルマップを構築する。
• 不確実性を考慮したナビゲーションとリスク評価を可能にする確率的フレームワークを提供する。

提案手法

• 非ホロノミック制約、制御ノイズ、障害物回避に対応するため、局所的リアクティブコントローラーとしてRiemannian Motion Policy (RMP) を使用する。
• 任意の観測からターゲット画像に到達可能な能力を測定するため、深層ニューラルネットワークベースの到達可能性推定器を訓練する。
• 到達可能性推定器を用いて軌道をスパarsely化し、到達可能領域を拡張する経験のみを保持することで、トポロジカルマップを構築する。
• 複数の経験における到達可能性確率を組み合わせることで、経路の尤度を計算し、確率的経路計画を可能にする。
• 経路尤度をリスク指標として用い、実行前に成功確率を評価し、フェイルセーフな意思決定を可能にする。
• RGB画像とシミュレーテッドロボットダイナミクスを用いて、シミュレーション内でエンドツーエンドに全システムを訓練し、実ロボットへのゼロショットデプロイを可能にする。

実験結果

リサーチクエスチョン

• RQ1 学習された到達可能性推定器は、大規模で現実世界の環境における視覚的トポロジカルナビゲーションの頑健性とスケーラビリティを向上させることができるか？
• RQ2 シミュレーションで訓練されたナビゲーションシステムは、微調整や再トレーニングなしに、実ロボットにどの程度一般化できるか？
• RQ3 強い対称性を持つ曖昧な環境や視覚的アリスン（同一視覚的誤認）に対して、このシステムはどの程度効果的に対処できるか？
• RQ4 環境の複雑さに応じて適応的かつコンパクトなトポロジカルマップを維持しながら、高い計画成功率を維持できるか？
• RQ5 経路尤度は、実際の成功確率を信頼できる指標として機能するか？不確実性を考慮したナビゲーションを可能にするか？

主な発見

• 提案手法は、シミュレーションにおける5つの大規模な屋内環境で、86.9%から95.7%の計画成功率を達成し、SPTM（40.2%から51.3%）を著しく上回った。
• 微調整なしに実世界のRCカーに一般化でき、3,200枚の実画像から構築されたマップを用いて、未体験の障害物や複雑なレイアウトを成功裏に通過した。
• 経路尤度は実際の成功確率と強く相関しており（図10ではR² ≈ 0.9）、信頼できるリスク指標としての有効性が裏付けられた。
• 元の軌道の60%のデータのみで、ピーク成功率の90%を維持でき、新しいナビゲーションタスクへの強い一般化能力を示した。
• 原始的観測に対して、到達可能領域を拡張する新しい未体験の経験が発生した場合にのみ頂点を追加することで、トポロジカルマップは原始的観測に対して部分的に非線形に成長し、空間的・計算的効率性を達成した。
• 実行中に差異を検出することで、視覚的アリスン（例：通路を部屋と誤認）を解消し、動的再計画を可能にし、目的に到達することに成功した。