[論文レビュー] SGoLAM: Simultaneous Goal Localization and Mapping for Multi-Object Goal Navigation

Junho Kim, Eun Sun Lee+3 more|arXiv (Cornell University)|Oct 14, 2021

Multimodal Machine Learning Applications参考文献 32被引用数 4

ひとこと要約

SGoLAM は、RGB-D および GPS/コンパス センサーを用いた学習不要でモジュラーな手法を提案する。この手法は、同時にゴールの局所化と占有マップ作成を可能にする古典的射影幾何学を用いる。学習ベースの手法と同等の最先端の性能を達成し、CVPR 2021 MultiON チャレンジで2位を獲得した。

ABSTRACT

We present SGoLAM, short for simultaneous goal localization and mapping, which is a simple and efficient algorithm for Multi-Object Goal navigation. Given an agent equipped with an RGB-D camera and a GPS/Compass sensor, our objective is to have the agent navigate to a sequence of target objects in realistic 3D environments. Our pipeline fully leverages the strength of classical approaches for visual navigation, by decomposing the problem into two key components: mapping and goal localization. The mapping module converts the depth observations into an occupancy map, and the goal localization module marks the locations of goal objects. The agent's policy is determined using the information provided by the two modules: if a current goal is found, plan towards the goal and otherwise, perform exploration. As our approach does not require any training of neural networks, it could be used in an off-the-shelf manner, and amenable for fast generalization in new, unseen environments. Nonetheless, our approach performs on par with the state-of-the-art learning-based approaches. SGoLAM is ranked 2nd in the CVPR 2021 MultiON (Multi-Object Goal Navigation) challenge. We have made our code publicly available at \emph{https://github.com/eunsunlee/SGoLAM}.

研究の動機と目的

• 新しい環境での学習を必要とせずに、3D 環境内で一連のターゲットオブジェクトへナビゲートする課題に対処すること。
• エンドツーエンドのディープラーニングを避けることで、未確認の環境における一般化性と転送性を向上させること。
• マルチオブジェクトナビゲーションを、マッピングとゴール局所化というモジュラーなコンポーネントに分解し、古典的幾何学を活用すること。
• 学習ベースの手法と同等の性能を達成しながら、高速なデプロイと適応性を維持すること。

提案手法

• マッピングモジュールは、射影幾何学を用いて深度観測値を3次元占有マップに変換し、フレーム間での空間的一致性を維持する。
• ゴール局所化モジュールは、RGB-D 特徴量とオブジェクト検出を用いて、トップダウンマップ上でのターゲットオブジェクトの2次元位置を特定・マークする。
• エージェントのポリシーはハイブリッド戦略に基づいて行動を選択する：ゴールが検出された場合は直接その方向へ計画的移動；それ以外の場合は探索を実行する。
• マップとゴール位置の両方をトップダウングリッド表現で扱うことで、古典的手法による経路探索が効率的に行える。
• すべてのコンponentは、ディープラーニングを用いず、古典的コンピュータビジョンおよび幾何学的手法を用いて個別に訓練または最適化される。
• この手法はモジュラーかつ再利用可能であり、再訓練なしに新しい環境へ即座に統合可能である。

実験結果

リサーチクエスチョン

• RQ1 古典的で学習を含まないアプローチが、マルチオブジェクトゴールナビゲーションにおいて、最先端の学習ベース手法と同等の性能を達成できるか？
• RQ2 マッピングとゴール局所化のモジュラー分解は、未確認の3次元環境における一般化性をどのように向上させるか？
• RQ3 学習不要のナビゲーションシステムは、成功度と進行度の指標において、学習ベースのベースラインをどの程度上回れるか？
• RQ4 マルチオブジェクトタスクにおける古典的アプローチと学習ベースアプローチの間で、成功確率と経路効率のトレードオフはどのようなものか？

主な発見

• SGoLAM は 0.62 の成功率を達成し、すべてのベースライン（NoMap (RNN) は 0.05、VisMemoryMap は 0.43）を顕著に上回った。
• 進行度指標では 0.71 を達成し、次に優れたベースライン（AuxTaskMap）の 0.70 を上回った。
• 経路効率の観点では、PPL で 0.39、SPL で 0.34 を記録したが、最良の学習ベース手法（AuxTaskMap）よりは低いが、依然として非常に競争力のある性能を示した。
• ニューラルネットワークの学習を一切用いず、未確認環境においても強力な一般化性と高速なデプロイ性を示した。
• 結果から、古典的で幾何学に基づくアプローチが、複雑で長時間にわたるナビゲーションタスクにおいても高い成功確率を達成できることを確認した。
• 経路効率のギャップは、古典的プランナに知られている限界を示しているが、SGoLAM は全体として極めて効果的であることが明らかになった。