[論文レビュー] Under the Radar: Learning to Predict Robust Keypoints for Odometry Estimation and Metric Localisation in Radar

Dan Barnes, Ingmar Posner|arXiv (Cornell University)|Jan 29, 2020

Robotics and Sensor-Based Localization参考文献 22被引用数 16

ひとこと要約

本論文は、ポーズ誤差を唯一の教師信号として用いるエンドツーエンド学習により、スラムおよびメトリック局所化のための頑健なレーダーキーポイントを自己教師的・微分可能フレームワークで学習する手法を提案する。微分可能なポイントベースのモーション推定器を統合することで、キーポイントの位置、スコア、記述子を同時に最適化し、オックスフォード・レーダー・ロボットカー・データセットからの280kmの実世界レーダーデータで、スラム誤差を45%削減するとともに、リアルタイムでのメトリックループクロージャ検出を実現した。

ABSTRACT

This paper presents a self-supervised framework for learning to detect robust keypoints for odometry estimation and metric localisation in radar. By embedding a differentiable point-based motion estimator inside our architecture, we learn keypoint locations, scores and descriptors from localisation error alone. This approach avoids imposing any assumption on what makes a robust keypoint and crucially allows them to be optimised for our application. Furthermore the architecture is sensor agnostic and can be applied to most modalities. We run experiments on 280km of real world driving from the Oxford Radar RobotCar Dataset and improve on the state-of-the-art in point-based radar odometry, reducing errors by up to 45% whilst running an order of magnitude faster, simultaneously solving metric loop closures. Combining these outputs, we provide a framework capable of full mapping and localisation with radar in urban environments.

研究の動機と目的

• レーダーに基づく自動走行における信頼性の低い手動設計キーポイントの課題に対処すること。
• 再現性や同型変換などの代理教師信号（proxy supervision）に依存せず、局所化誤差そのもので直接学習すること。
• センサーアーキテクチャに依存しない、微分可能なアーキテクチャを構築し、レーダー用にキーポイントの位置、スコア、記述子を同時に学習すること。
• 複雑な都市部のレーダー環境において、完全なメトリック局所化と頑健なループクロージャ検出を実現すること。
• リアルタイム推論速度を維持しつつ、ポイントベースのレーダースラムで最先端の性能を達成すること。

提案手法

• CNNアーキテクチャ内に微分可能なポイントベースのモーション推定器を埋め込み、ポーズ推定プロセス全体をバックプロパゲーション可能にする。
• キーポイントの位置は、セルごとの空間ソフトマックスにより予測され、セルサイズによって制約された400個のキーポイントが対象となる。
• キーポイントのスコアは、シグモイド活性化関数を用いたポイントワイド畳み込みにより予測され、マッチングの信頼度に重み付けが可能となる。
• 記述子は、マルチスケール特徴マップを連結し、入力解像度にリサイズすることで、密なピxls単位の表現を生成する。
• ネットワーク全体は、真値ポーズを逐次スキャンから自動生成することで、スラム誤差のみを教師信号として使用して訓練される。
• ループクロージャは、コサイン類似度を用いて学習済み埋め込みを比較し、効率的な検索のためKDツリーを用いる。

実験結果

リサーチクエスチョン

• RQ1 自己教師的でエンドツーエンド微分可能なアーキテクチャは、代理教師信号に依存せずに、頑健なレーダーキーポイントを学習できるか？
• RQ2 キーポイント検出、スコアリング、記述子学習を、ポーズ誤差のみを教師信号として、同時に最適化できるか？
• RQ3 提案手法は、既存の最先端手法を上回る性能を示し、メトリックループクロージャ検出を可能にするか？
• RQ4 学習されたキーポイントは、多様な都市環境に一般化可能であり、レーダー固有のノイズやアーチファクトに対しても耐性を示すか？
• RQ5 このフレームワークは、レーダー以外のセンサーモダリティに対しても適用可能か？

主な発見

• オックスフォード・レーダー・ロボットカー・データセットにおいて、最先端手法と比較してスラム誤差を最大45%削減した。
• 先行手法よりも1桁速く動作しながら、優れた精度を達成した。
• 学習済み記述子により、頑健なメトリックループクロージャ検出が可能であり、同じルートを異なる走行で走行した場合でも、定性的に正しく検出されている。
• NetVLADによる微調整よりも、スラム誤差のみで学習した場合の方が一般化性能が優れており、図5の場所認識再現率において顕著に優れた結果を示した。
• アーキテクチャはセンサーアーキテクチャに依存せず、最小限の変更で他のモダリティへも適応可能である。
• g2oを用いたポーズグラフ最適化により、リアルタイムをはるかに上回る速度で完全に最適化された地図が生成され、システム全体の実現可能性が裏付けられた。