[論文レビュー] Unifying Map and Landmark Based Representations for Visual Navigation

Saurabh Gupta, David F. Fouhey+2 more|arXiv (Cornell University)|Dec 21, 2017

Robotics and Sensor-Based Localization参考文献 32被引用数 64

ひとこと要約

本論文は、疎な観測とノイズのある作動に対してロバストにナビゲートするために、パス署名と特徴合成を用いたマップベースの計画とランドマークベースの実行を組み合わせた、差分可能でエンドツーエンド学習のフレームワークを提示する。

ABSTRACT

This works presents a formulation for visual navigation that unifies map based spatial reasoning and path planning, with landmark based robust plan execution in noisy environments. Our proposed formulation is learned from data and is thus able to leverage statistical regularities of the world. This allows it to efficiently navigate in novel environments given only a sparse set of registered images as input for building representations for space. Our formulation is based on three key ideas: a learned path planner that outputs path plans to reach the goal, a feature synthesis engine that predicts features for locations along the planned path, and a learned goal-driven closed loop controller that can follow plans given these synthesized features. We test our approach for goal-driven navigation in simulated real world environments and report performance gains over competitive baseline approaches.

研究の動機と目的

• ノイズのある作動を扱うため、マップベースの計画とランドマークベースの実行の双方でナビゲーションを促進する。
• 疎な登録ビューから空間表現を構築する学習可能なパイプラインを提案する。
• パスを出力するパスプランナーと、パス上のランドマークを生成する特徴合成器を開発する。
• 合成された特徴を用いて計画に従いドリフトを補償する閉ループ制御器を導入する。

提案手法

• マップ生成: 疎な登録画像をエゴセントリックからアロセントリックへの変換と高密度融合を用いてアロセントリックな空間マップに変換する。
• パス計画: 学習済みマップ上で価値反復ベースのプランナーを学習し、パスと対応するアクション列を生成する。
• パス署名: 隣接するビューからパス上の位置の特徴を合成して頑健なパス記述子を作成する。
• 計画実行: パス署名と現在の観測を取り込み、作動ノイズ下で計画を実行する再帰ポリシーを訓練する。
• 特徴合成: 相対姿勢で重み付けした複数の基準画像から表現を融合して未見の位置での特徴を近似する。

実験結果

リサーチクエスチョン

• RQ1 疎なビューから学習したマップは、信頼できるパス計画とショートカットの発見を支援できるか。
• RQ2 未見の場所の特徴をどれだけうまく合成して局所化とドリフト補正を支援できるか。
• RQ3 パス署名の組み込みは作動ノイズ下での計画実行の頑健性を向上させるか。
• RQ4 結合したマッパーとプランナーとパス署名実行は、オープンループや非合成特徴を用いるベースラインと比較してどうか。

主な発見

• 結合したマッパーとプランナーは、疎な環境ビューから意味のあるパスを生成できる。
• 特徴合成は、位置依存特徴を予測する上で従来のSIFTベースのベースラインを上回る。
• パス署名は、明示的なリローカリゼーションやリプランニングなしにノイズ下での頑健な計画実行を可能にする。
• 記憶と制御の学習アーキテクチャは、シミュレートされた実世界オフィス再構成におけるナビゲーションタスクで標準のメモリベースネットワークを上回る。