[論文レビュー] Towards navigation without precise localization: Weakly supervised learning of goal-directed navigation cost map

Huifang Ma, Yue Wang+3 more|arXiv (Cornell University)|Jun 6, 2019

Robotics and Sensor-Based Localization参考文献 25被引用数 10

ひとこと要約

本論文は、正確な幾何的局所化を必要とせず、生の視覚入力、GPSレベルの局所化、ナビゲーション指示を用いて、目的に向かうナビゲーションコストマップを生成する弱教師付きナビゲーションフレームワークを提案する。決定論的条件付き敵対ネットワークを用いて多様で意味論的根拠を持つ経路を学習することで、局所化誤差に対しても頑健な性能を達成し、人間のドライブ軌跡と照合された学習済みコストマップを介して効果的な運動計画が可能になる。

ABSTRACT

Autonomous navigation based on precise localization has been widely developed in both academic research and practical applications. The high demand for localization accuracy has been essential for safe robot planing and navigation while it makes the current geometric solutions less robust to environmental changes. Recent research on end-to-end methods handle raw sensory data with forms of navigation instructions and directly output the command for robot control. However, the lack of intermediate semantics makes the system more rigid and unstable for practical use. To explore these issues, this paper proposes an innovate navigation framework based on the GPS-level localization, which takes the raw perception data with publicly accessible navigation maps to produce an intermediate navigation cost map that allows subsequent flexible motion planning. A deterministic conditional adversarial network is adopted in our method to generate visual goal-directed paths under diverse navigation conditions. The adversarial loss avoids the pixel-level annotation and enables a weakly supervised training strategy to implicitly learn both of the traffic semantics in image perceptions and the planning intentions in navigation instructions. The navigation cost map is then rendered from the goal-directed path and the concurrently collected laser data, indicating the way towards the destination. Comprehensive experiments have been conducted with a real vehicle running in our campus and the results have verified the robustness to localization error of the proposed navigation system.

研究の動機と目的

• 正確な局所化が困難なランドマークが乏しい環境において、その限界を克服すること。
• エンドツーエンドの学習ベースのナビゲーションシステムにおける硬直性と解釈不能性を克服すること。
• 意味的ヒントと粗い局所化を用いて人間の走行に類似したナビゲーションフレームワークを開発すること。
• ピxlsレベルのアノテーションを必要とせず、柔軟で安全な運動計画を可能にするナビゲーションコストマップを生成すること。

提案手法

• 生の画像、GPS局所化、ナビゲーション指示から視覚的に目的に向かう経路を生成するために、決定論的条件付き敵対ネットワークが用いられる。
• ピxlsレベルのアノテーションを避けるために敵対的損失を用いて弱教師付きで学習され、道路の意味論とナビゲーション意図を暗黙的に学習する。
• 予測された経路は局所ポテンシャルフィールドに変換され、ガウスカーネルを用いてレーザー基盤の障害物データと融合され、トップダウンのナビゲーションコストマップが生成される。
• 計画空間においてロボットと障害物の状態を分離し、走行可能領域、開放空間、障害物を意味論的注意をもったコストマップに埋め込む。
• 入力のクロップ処理とナビゲーション指示を処理するため、UNetベースのアーキテクチャが採用され、局所化オフセットに対してより頑健になる。
• コストマップの予測能力を検証するために、オフラインマップレンダリング手法が用いられる。

実験結果

リサーチクエスチョン

• RQ1 GPSレベルの局所化誤差下でも、正確な幾何的局所化に依存せずに、ナビゲーションシステムが頑健に動作できるか。
• RQ2 弱教師付き学習アプローチは、生の画像とナビゲーション指示から視覚的意味論とナビゲーション意図を効果的に捉えることができるか。
• RQ3 学習済みナビゲーションコストマップは、多様なシナリオにおいてどれほど人間の走行行動を予測できるか。
• RQ4 異なる局所化オフセットに対しても、システムは安全で妥当なナビゲーション経路を生成し、一般化できるか。
• RQ5 意味論的レーン構造と障害物データの統合は、運動計画の頑健性をどのように向上させるか。

主な発見

• ランダムな認識オフセット下でも$\text{rand\_per}$モデルが最大の頑健性を示し、ヨー角精度の低下（$\Delta{\text{yaw}}/\text{deg}$）はわずかであった。
• 5mの予測距離では、軌跡確率が86%に達し、10mでは68%に低下した。これは高い予測忠実性を示している。
• $\text{rand\_per}$モデルは複雑なシナリオにおいて他のモデルを上回り、NLLコストが10mで0.384（$\text{basic}$: 0.476、$\text{rand\_navi}$: 0.514）と低かった。
• 視覚的結果から、信頼度が0.85以上の予測軌跡の85%が、マップの低コスト領域に集中していた。
• 失敗事例の主な原因は、ナビゲーション信号の大幅な遅延または前倒しであったが、予測された経路は安全領域にあり、更新された指示で補正可能であった。
• 人間の走行軌跡と照合された結果、ナビゲーションコストマップは人間の走行行動を効果的に捉えており、効果的な運動計画を可能にした。