[論文レビュー] The AdobeIndoorNav Dataset: Towards Deep Reinforcement Learning based Real-world Indoor Robot Visual Navigation

Kaichun Mo, Haoxiang Li+2 more|arXiv (Cornell University)|Feb 24, 2018

Multimodal Machine Learning Applications参考文献 26被引用数 22

ひとこと要約

本稿では、24のシーンにわたり高品質で現実世界の360°パノラマ画像と3D再構築を密にサンプリングしたAdobeIndoorNavデータセットを紹介する。このデータセットは、現実の視覚入力を用いた深層強化学習（DRL）訓練を可能にし、標準的なDRLポリシーが近くのターゲットに一般化できないのは、空間的特徴表現が不十分であるためであり、これは初期のCNN層からの空間認識特徴を用いることで是正され、未学習のシーンにおけるゼロショット一般化精度が53.0%から72.6%に向上する。

ABSTRACT

Deep reinforcement learning (DRL) demonstrates its potential in learning a model-free navigation policy for robot visual navigation. However, the data-demanding algorithm relies on a large number of navigation trajectories in training. Existing datasets supporting training such robot navigation algorithms consist of either 3D synthetic scenes or reconstructed scenes. Synthetic data suffers from domain gap to the real-world scenes while visual inputs rendered from 3D reconstructed scenes have undesired holes and artifacts. In this paper, we present a new dataset collected in real-world to facilitate the research in DRL based visual navigation. Our dataset includes 3D reconstruction for real-world scenes as well as densely captured real 2D images from the scenes. It provides high-quality visual inputs with real-world scene complexity to the robot at dense grid locations. We further study and benchmark one recent DRL based navigation algorithm and present our attempts and thoughts on improving its generalizability to unseen test targets in the scenes.

研究の動機と目的

• DRLベースのロボットナビゲーションにおける合成シーンと現実世界のシーンのドメインギャップを解消するため、高精細な現実世界データセットを提供すること。
• 実際の屋内環境からの現実的で密なサンプリングされた視覚入力を用いて、DRLポリシーの訓練を支援すること。
• 最先端のDRLナビゲーションポリシーが現実世界の設定で一般化に失敗する理由、特に近接ターゲットナビゲーションの誤りを調査すること。
• ポリシーの類似した近くのビューに対するロバストネスを向上させるため、空間認識特徴表現を提案し、実験的に検証すること。

提案手法

• 24の実際の屋内シーンにわたり、0.4–0.5 mの間隔で密なグリッド位置に360°パノラマ画像と3Dポイントクラウド再構築を収集する、部分自動的かつ再現可能なパイプラインを採用。
• SLAMを搭載した実際のロボットを用いて高品質な視覚入力を収集し、3Dシーンを再構築することで、一般的に見られる3D再構築パイプラインのアーチファクトを最小限に抑える。
• エージェントが視覚入力からターゲットビューまでナビゲートするのを学ぶ、ターゲット駆動型DRLフレームワークを採用し、4つの離散的アクション（前進、後退、左、右）を用いる。
• 標準の2,048次元グローバル平均プーリングされたCNN特徴を、空間的文脈を保持する初期畳み込み層からの空間認識特徴マップ（$7\times7\times2048$）に置き換える。
• 2つの近くのビュー間の正しいアクションを予測することで、特徴の質を評価するためのシアンプスネットワークを採用。
• 同じシーンおよびクロスシーンの画像ペアに対して、シアンプスモデルを訓練およびテストし、ゼロショット一般化性能を評価。

実験結果

リサーチクエスチョン

• RQ1 実世界の視覚入力で訓練されたDRLベースの視覚ナビゲーションポリシーは、同じ環境内での未学習のターゲットに一般化できるか？
• RQ2 粗いレイアウト認識は学習できたにもかかわらず、なぜDRLポリシーは近くのターゲットに到達できないのか？
• RQ3 視覚特徴に空間的構造を保持することで、現実世界のナビゲーションにおける類似した近くのビューへの一般化が向上するか？
• RQ4 空間認識特徴を用いる場合と標準のグローバル特徴を用いる場合とで、DRLポリシーの性能はどのように変化するか？
• RQ5 診断用のシアンプスネットワークは、近接ターゲットナビゲーションに必要な視覚特徴の判別力の高さを効果的に測定できるか？

主な発見

• 標準のDRLポリシーは、視覚的に類似したビューを区別できないため、ターゲット付近までは到達できず、結果として近接ターゲットに到達できない。
• 2,048次元グローバル平均プーリング特徴を用いる場合、同じシーン内での近くのビューの一致精度は83.5%にとどまる。
• グローバル特徴を空間認識特徴（$7\times7\times2048$）に置き換えることで、同じシーン内での一致精度は87.5%に向上する。
• 未学習のシーンでは、その向上効果がさらに顕著に現れ、ゼロショット一般化精度が53.0%から72.6%に向上する。
• 診断実験の結果、空間認識特徴は近接ターゲットナビゲーションの失敗を解消するために不可欠な判別力のある空間的情報をエンコードしていることが確認された。