[論文レビュー] The Manifold Particle Filter for State Estimation on High-dimensional Implicit Manifolds

Matthew Klingensmith, Michael C. Koval+3 more|arXiv (Cornell University)|Apr 25, 2016

Robot Manipulation and Learning参考文献 24被引用数 3

ひとこと要約

本論文は、接触多様体を符号付き距離関数（SDF）を用いて暗黙的に表現することで、不完全な自己認識を持つロボットにおける状態推定のための効率的なパーティクルサンプリングを可能にする、暗黙的多様体パーティクルフィルタ（IMPF）を提案する。この手法は、特に6以上の自由度を持つロボットアームやアンダーアクチュエーテッドハンドにおいて、恒常的接触下での収束速度と精度において従来のパーティクルフィルタを著しく上回る性能を示す。

ABSTRACT

We estimate the state a noisy robot arm and underactuated hand using an Implicit Manifold Particle Filter (MPF) informed by touch sensors. As the robot touches the world, its state space collapses to a contact manifold that we represent implicitly using a signed distance field. This allows us to extend the MPF to higher (six or more) dimensional state spaces. Earlier work (which explicitly represents the contact manifold) only shows the MPF in two or three dimensions. Through a series of experiments, we show that the implicit MPF converges faster and is more accurate than a conventional particle filter during periods of persistent contact. We present three methods of sampling the implicit contact manifold, and compare them in experiments.

研究の動機と目的

• 機械的プレイ、アンダーアクチュエーション、またはセンサノイズによる自己認識の不完全性に起因する高次元ロボットシステムにおける状態推定の課題に対処すること。
• 環境空間において測度がゼロである低次元の接触多様体上でのパーティクルサンプリングを可能にすることで、従来のパーティクルフィルタ（CPF）におけるパーティクル枯渇問題を克服すること。
• 接触多様体を符号付き距離関数（SDF）を用いて暗黙的に表現し、ロボットのヤコビアンを用いて射影することで、6以上の自由度における多様体パーティクルフィルタ（MPF）の拡張を実現すること。
• 関節エンコーダーが信頼できない状況下でも、タクチールセンサと自己認識フィードバックを統合することで、恒常的接触下での頑健な状態推定を可能にすること。
• 7自由度アームおよびアンダーアクチュエーテッド3自由度ハンドを用いたシミュレーションおよび実世界実験を通じて、本手法の有効性を実証すること。

提案手法

• 既知の静的環境から計算された符号付き距離関数（SDF）を用いて、接触多様体を明示的な幾何的パrameterizationを避けて暗黙的に表現すること。
• 全状態空間において直前のパーティクル集合の周辺領域から一様にパーティクルをサンプリングし、その後でSDFおよびマニピュレータのヤコビアンを用いて接触多様体上に射影すること。
• 制約射影を用いて、環境空間から接触多様体へとサンプルをマッピングすることで、パーティクルが可能な構成の集合上に維持されることを保証すること。
• 3種類のサンプリング戦略を実装：環境空間における一様サンプリング（MPF-Uniform）、パーティクルベースのサンプリング（MPF-Particle）、ボールベースのサンプリング（MPF-Ball）、それぞれに異なる射影および再重み付けのヒューリスティクスを適用すること。
• 直前のパーティクル分布に近いパーティクルの重みを再計算することで、時間的整合性を維持し、劣化を低減すること。
• タクチールセンサからの観測が状態を接触多様体に制約するベイジアン推定フレームワークにフィルタを統合し、信念を再帰的に更新すること。

実験結果

リサーチクエスチョン

• RQ1 符号付き距離関数（SDF）による接触多様体の暗黙的表現が、明示的表現が失敗する高次元状態空間（≥6自由度）において、効果的なパーティクルサンプリングを可能にするか？
• RQ2 恒常的接触下における収束速度と推定精度の観点から、暗黙的多様体パーティクルフィルタ（IMPF）は従来のパーティクルフィルタ（CPF）と比べてどのように性能を発揮するか？
• RQ3 一様、パーティクルベース、ボールベースのどのサンプリング戦略が、暗黙的接触多様体上での最も正確で頑健な状態推定をもたらすか？
• RQ4 タクチールフィードバックにおけるセンサ遅延やバイアスが、特にアンダーアクチュエーテッドシステムにおいて、IMPFの安定性と精度にどの程度影響を与えるか？
• RQ5 ノイズを含む自己認識を持つ実ロボットシステム、例えばケーブル駆動伝動を備えた7自由度アームやクラッチ駆動関節を有するアンダーアクチュエーテッドハンドにおいて、IMPFは効果的に適用可能か？

主な発見

• 暗黙的多様体パーティクルフィルタ（IMPF）は、シミュレーションおよび実ロボット実験の両方において、従来のパーティクルフィルタ（CPF）を著しく上回り、恒常的接触下での収束が速く、推定誤差が小さいことが示された。
• 7自由度アームの実験では、MPF-Ballが最良の性能を示し、CPFに比べて平均誤差を50％以上削減し、MPF-ParticleおよびMPF-Uniformを上回った。
• アンダーアクチュエーテッドハンドの実験では、IMPFのすべてのバージョン（MPF-Uniform、MPF-Particle、MPF-Ball）がCPFを上回ったが、低次元かつ独立したキネマティックチェーンであるため、それらの間には有意な差が認められなかった。
• 接触開始時におけるパーティクル分布の大きな一時的変動が観測されたが、これはストレインゲージセンサのモデル化されていない遅延に起因すると考えられ、観測モデルの忠実度の限界を示唆している。
• 明示的な解析的またはサンプルベースの多様体パラメータライゼーションを必要としないため、符号付き距離関数（SDF）に基づく暗黙的表現は、高次元多様体上でのスケーラブルな状態推定を可能にする。
• 環境空間のサンプルが多様体上に非一様に射影される可能性があるが、IMPFはそのバイアスが推定品質を著しく劣化させないことを示しており、テストされたシナリオにおいても頑健な性能を維持している。