[論文レビュー] Touch-based object localization in cluttered environments

Huy Nguyen, Quang‐Cuong Pham|arXiv (Cornell University)|Sep 27, 2017

Robotics and Sensor-Based Localization参考文献 7被引用数 3

ひとこと要約

本稿では、外れ値測定を扱うためにRANSACをベイジアン推定フレームワークに統合することで、ごちゃついた環境におけるロバストなタッチベースのオブジェクト局所化手法を提案する。外れ値測定に強い性能を発揮する高速なフェース選択アルゴリズムを導入し、ベイジアン更新を高速化することで、ノイズが多いデータでも正確かつ実用的な局所化を実現した。実験では最大6.5倍の高速化と1ミリメートル未満の精度を達成した。

ABSTRACT

Touch-based object localization is an important component of autonomous robotic systems that are to perform dexterous tasks in real-world environments. When the objects to locate are placed within clutters, this touch-based procedure tends to generate outlier measurements which, in turn, can lead to a significant loss in localization precision. Our first contribution is to address this problem by applying the RANdom SAmple Consensus (RANSAC) method to a Bayesian estimation framework. As RANSAC requires repeatedly applying the (computationally intensive) Bayesian updating step, it is crucial to improve that step in order to achieve practical running times. Our second contribution is therefore a fast method to find the most probable object face that corresponds to a given touch measurement, which yields a significant acceleration of the Bayesian updating step. Experiments show that our overall algorithm provides accurate localization in practical times, even when the measurements are corrupted by outliers.

研究の動機と目的

• ごちゃついた環境における外れ値タッチ測定による不正確な局所化の課題に対処すること。
• 意図しない接触から生じる外れ値に対して、ベイジアンタッチベースの局所化のロバスト性を向上させること。
• 反復的推定フレームワークにおける計算コストの高いベイジアン更新手順の高速化を図ること。
• 1ミリメートル未満の精度を要する実世界のロボット操作タスクにおける実用的な実行時間を実現すること。
• 周囲の物体に関する事前知識を必要としない手法の開発により、未知のごちゃついた環境への適用可能性を確保すること。

提案手法

• 外れ値測定を繰り返し仮説検証することで、インライア測定のセットを特定・排除するため、RANSACをベイジアン推定フレームワークに統合する。
• タッチ測定に対応する最も確率の高いオブジェクトフェースを特定する高速なフェース選択アルゴリズムを提案し、尤度評価のコストを低減する。
• 角度ずれ（$\delta_\alpha = 0.09$ rad）に基づくしきい値によるフェース選択法を用い、ベイジアン更新の前に候補フェースをフィルタリングする。
• 粒子ベースのベイジアン推論を用いて6自由度の姿勢推定にスケーリングシリーズ法を適用する。
• エンドエフェクタの接触からのフォワード・キネマティクスとタッチセンシング（位置および法線）を用いて測定値を生成する。
• レイトレーシングシミュレーションを用いて、周辺の物体からの外れ値を含む現実的なタッチ測定値を生成する。

実験結果

リサーチクエスチョン

• RQ1 RANSACをベイジアンフレームワークに効果的に適応させることで、外れ値タッチ測定に対するロバスト性を向上させることができるか？
• RQ2 タッチベースの局所化におけるベイジアン更新の計算コストをどのように低減できるか？
• RQ3 提案されたフェース選択手法は、局所化精度を損なわせることなく、実行時間にどの程度の向上をもたらすか？
• RQ4 意図しない接触が一般的なごちゃついた環境でも、本手法は高精度な局所化を達成できるか？
• RQ5 初期不確実性やオブジェクトの複雑さが変化する条件下でも、本手法の性能はどの程度保たれるか？

主な発見

• 提案手法は、外れ値分類なしのベースラインと比較して、並進方向で平均0.81 mm、回転方向で0.015 radの局所化誤差を達成し、顕著に優れた性能を示した（ベースライン：6.64 mm、0.1 rad）。
• フェース選択アルゴリズムにより、複雑なオブジェクト（例：レジスターのモデル）に対して、平均実行時間を最大6.5倍短縮できた。
• 15個の測定値に1〜5個の外れ値が含まれるごちゃついたシーンにおいて、50回の試行すべてで100%の成功率を維持した。
• 複雑なオブジェクトでフェース数が多いほど、スピードアップ効果が顕著に現れ、フェース選択アプローチのスケーラビリティを示した。
• 初期不確実性が大きく（位置方向10 mm、姿勢方向0.3 rad）あっても、本手法は有効であったため、初期化へのロバスト性が確認された。
• 実験により、外れ値測定そのものが性能を著しく劣化させることを確認し、外れ値分類の必要性を裏付けた。