[論文レビュー] Simultaneous Localization and Mapping with Dynamic Rigid Objects

Mina Henein, Gerard A. Kennedy+2 more|arXiv (Cornell University)|May 10, 2018

Robotics and Sensor-Based Localization参考文献 25被引用数 7

ひとこと要約

本論文は、動的剛体物体の運動を明示的な物体ポーズや3D幾何を必要とせずに推定プロセスに統合する新しいSLAMフレームワークを提案する。物体運動を一定運動仮定でモデル化し、新たなポーズ変化表現を用いることで、ローカライゼーションとマッピングの精度が向上し、ベースラインSLAMに比べてvKITTIデータセットで軌道誤差が最大71.4%低減された。

ABSTRACT

Accurate estimation of the environment structure simultaneously with the robot pose is a key capability of autonomous robotic vehicles. Classical simultaneous localization and mapping (SLAM) algorithms rely on the static world assumption to formulate the estimation problem, however, the real world has a significant amount of dynamics that can be exploited for a more accurate localization and versatile representation of the environment. In this paper we propose a technique to integrate the motion of dynamic objects into the SLAM estimation problem, without the necessity of estimating the pose or the geometry of the objects. To this end, we introduce a novel representation of the pose change of rigid bodies in motion and show the benefits of integrating such information when performing SLAM in dynamic environments. Our experiments show consistent improvement in robot localization and mapping accuracy when using a simple constant motion assumption, even for objects whose motion slightly violates this assumption.

研究の動機と目的

• 動的環境における古典的SLAMの限界、特に動的物体が静的環境仮定を破る問題に対処すること。
• オブジェクトの完全なポーズや幾何を推定せずに、動的剛体物体からの運動情報を利用する手法を開発すること。
• オブジェクト運動制約を最適化フレームワークに統合することで、SLAMの精度と整合性を向上させること。
• 実世界および合成シナリオにおける動的物体に対して、一定運動仮定の有効性を評価すること。
• 州の削減技術を用いたスケーラブルなSLAMを実現し、将来のディープラーニングを用いたセグメンテーションおよびデータアソシエーション統合を可能とすること。

提案手法

• 動的物体の運動をモデル化するための新しいポーズ変化表現を導入し、SLAM最適化フレームワークへの統合を可能にする。
• ロボットポーズ、静的ランドマーク、動的物体運動を結ぶ三項要因の定式化を用い、運動制約を最適化に埋め込む。
• 動的物体に対して一定運動仮定を採用し、変換を時間に依存しないものとしてモデル化することで推定プロセスを簡素化する。
• 因子グラフにおいて、運動をノイズレベルが指定された事前分布として扱う制約エッジを通じてオブジェクト運動情報を統合する。
• 3D再構築を必要とせず、画像シーケンス全体で特徴点を検出・セグメンテーション・アソシエーションするフロントエンドに依存する。
• 運動制約を追加要因として追加することで、全体のSLAMソリューションを改善する因子グラフ最適化フレームワークを用いる。

実験結果

リサーチクエスチョン

• RQ1 完全な3Dオブジェクトモデルやポーズ推定を必要とせず、動的剛体物体からの運動情報統合がSLAMの精度を向上させられるか？
• RQ2 実世界および合成的な動的環境において、動的物体のモデル化に一定運動仮定がどの程度有効か？
• RQ3 運動事前分布のノイズレベルがSLAMソリューションのロバストネスと精度に与える影響は？
• RQ4 オブジェクト運動制約の統合がSLAM最適化の整合性および収束性に与える影響は？
• RQ5 州の削減技術を用いることで、多数の動的物体を含む大規模環境における本手法の拡張性は？

主な発見

• 実世界データセットでは、動的オブジェクト運動（DOM）情報を使用した場合、絶対軌道誤差（ATE）が11%低減され、絶対方位誤差（ARE）が1%低減された。
• vKITTIデータセットでは、DOMを統合した場合、絶対軌道誤差（RTE）が71.4%低減され、絶対方位誤差（RRE）が63.8%低減された。
• 実データセットでは絶対構造誤差（ASE）が19%向上し、すべてのRSE（allRSE）が16%向上し、3次元構造推定の精度向上が示された。
• 運動エッジに割り当てられたノイズレベルがソリューションに顕著な影響を及ぼす。低ノイズは運動仮定への過剰な自信を引き起こすリスクがあり、高ノイズは追加された運動情報の恩恵を低下させる。
• 三項要因を用いた動的オブジェクト運動の統合と一定運動モデルの組み合わせにより、実世界および合成実験の両方で全誤差指標において一貫した改善が得られた。
• 一定運動仮定がわずかに破れても、フレームワークはロバストであることが示され、実世界の動的シーンにおける実用的妥当性が裏付けられた。