[論文レビュー] Simultaneous View and Feature Selection for Collaborative Multi-Robot Perception

Brian Reily, Hao Zhang|arXiv (Cornell University)|Dec 17, 2020

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

本論文は、スパarsity誘導正則化ノルムを用いて、代表的なロボットおよび判別性の高いセンサモダリティを同定することで、共同マルチロボット認識における視点選択と特徴選択を同時に実行する統一された正則化最適化フレームワークを提案する。本手法は、非滑らかで非凸な最適化問題に対する収束性が保証された新規で収束する反復型ソルバを用いて、正確な物体認識と効果的なロボットタスク割り当てを実現し、シミュレーションおよび物理的ロボットシステムで検証されている。

ABSTRACT

Collaborative multi-robot perception provides multiple views of an environment, offering varying perspectives to collaboratively understand the environment even when individual robots have poor points of view or when occlusions are caused by obstacles. These multiple observations must be intelligently fused for accurate recognition, and relevant observations need to be selected in order to allow unnecessary robots to continue on to observe other targets. This research problem has not been well studied in the literature yet. In this paper, we propose a novel approach to collaborative multi-robot perception that simultaneously integrates view selection, feature selection, and object recognition into a unified regularized optimization formulation, which uses sparsity-inducing norms to identify the robots with the most representative views and the modalities with the most discriminative features. As our optimization formulation is hard to solve due to the introduced non-smooth norms, we implement a new iterative optimization algorithm, which is guaranteed to converge to the optimal solution. We evaluate our approach through a case-study in simulation and on a physical multi-robot system. Experimental results demonstrate that our approach enables effective collaborative perception through accurate object recognition and effective view and feature selection.

研究の動機と目的

• 視点選択と特徴選択が独立して扱われる共同マルチロボット認識分野におけるギャップを埋める。
• マルチビュー物体認識、視点選択、特徴選択を統合する1つのフレームワークに統合された最適化定式化を構築する。
• どのロボットが最も情報を提供する視点を提供しているか、どのセンサモダリティが最も判別性が高いかを特定することで、知的なロボット協調を可能にする。
• 構造的スパarsity正則化に起因する非滑らかで非凸な最適化問題を解くための収束保証付きの新規反復アルゴリズムを設計する。
• 高精度な耐障害性と正確性を確認するため、高精度なシミュレーションおよび実世界のマルチロボット実験の両方で本手法を検証する。

提案手法

• 本手法は、キーロボットとキーフィーチャーの選択を促進する構造的スパarsity誘導ノルムを用いた正則化最適化問題として、共同認識を定式化する。
• ロボット重みにl1ノルムと、特徴モダリティに混合ノルム（グループラassoに類似）を用い、スパarsityを誘導し、代表的な視点とモダリティを選択する。
• 最適化は、データ適合性（再構成誤差）と正則化を組み合わせ、視点選択と特徴選択における精度とスパarsityのバランスをとる。
• 非滑らかで非凸な最適化問題に対する収束保証付きの新規反復アルゴリズムを提案し、局所的最適解への収束を surrogate 目的関数の逐次最小化によって理論的に証明する。
• アルゴリズムは、正則化項から導出されたproximal演算子を用いて、ロボット重みと特徴モダリティを交互に更新する。
• 各反復で目的関数が単調に減少することを保証するブロック座標降下法を用いて実装する。

実験結果

リサーチクエスチョン

• RQ1 統一された最適化フレームワークは、共同物体認識において、最も情報を発信するロボットの視点と、最も判別性の高いセンサ特徴を同時に選択できるか？
• RQ2 正則化による構造的スパarsityは、冗長または遮蔽された観測に依存することを減らしながら、認識精度をどのように向上させるか？
• RQ3 視点と特徴の共同選択は、マルチロボットシステムにおけるロボットタスク割り当てとシステム効率にどのような影響を与えるか？
• RQ4 非滑らかで非凸な最適化問題に対して、理論的収束保証付きの新規反復ソルバを設計できるか？
• RQ5 認識性能と計算効率の観点から、独立した視点選択と特徴選択と比較して、本手法はどのように優れているか？

主な発見

• 提案手法は、最も情報を発信するロボットの視点と判別性の高いセンサモダリティを選択することで、高い物体認識精度を達成した。
• 反復的ソルバは理論的に最適解に収束し、各反復で目的関数が単調に減少することが保証された。
• シミュレーションでの実験結果から、本手法はベースライン手法を上回る認識精度を示し、同時にアクティブなロボット数を削減した。
• 物理的マルチロボットシステム上でも、本フレームワークは重要なロボットとモダリティを的確に特定し、遮蔽があっても効果的な認識を実現した。
• 構造的スパarsity誘導ノルムの使用により、冗長または低品質な観測に依存する度合いが顕著に低下し、選択性能が向上した。
• 本手法により、視点が代表的でないロボットを新たなターゲットを観測するように動的に再割り当てすることが可能になった。