[論文レビュー] Visual-Inertial Teach and Repeat for Aerial Inspection

Marius Fehr, Thomas Schneider+3 more|arXiv (Cornell University)|Mar 26, 2018

Robotics and Sensor-Based Localization被引用数 9

ひとこと要約

本論文では、GPS非利用環境における自律型空中点検のための視覚慣性 Teach-and-Repeat システムを、ハンドヘルドデバイスまたは MAV を用いて点検経路を教えることにより提案する。Google Tango 視覚慣性マッピングフレームワークを活用することで、正確な局所化、経路計画、障害物の既知の位置姿勢に基づく衝突回避を伴うリアルタイムの追従または再現が可能になる。

ABSTRACT

Industrial facilities often require periodic visual inspections of key installations. Examining these points of interest is time consuming, potentially hazardous or require special equipment to reach. MAVs are ideal platforms to automate this expensive and tedious task. In this work we present a novel system that enables a human operator to teach a visual inspection task to an autonomous aerial vehicle by simply demonstrating the task using a handheld device. To enable robust operation in confined, GPS-denied environments, the system employs the Google Tango visual-inertial mapping framework as the only source of pose estimates. In a first step the operator records the desired inspection path and defines the inspection points. The mapping framework then computes a feature-based localization map, which is shared with the robot. After take-off, the robot estimates its pose based on this map and plans a smooth trajectory through the way points defined by the operator. Furthermore, the system is able to track the poses of other robots or the operator, localized in the same map, and follow them in real-time while keeping a safe distance.

研究の動機と目的

• 非専門家である人間のオペレータが、ハンドヘルドタブレットや手動操縦による MAV を用いて、複雑な空中点検タスクを教えることを可能にする。
• 視覚慣性オドメトリと特徴ベースマッピングを用いて、インfra構造物を必要としない、GPS非利用産業環境におけるロバストな局所化を提供する。
• 自律型 MAV が教えた点検経路を正確に再現し、リアルタイムでの追従と安全距離の維持を可能にする。
• 他のエージェントのポーズ追跡と既知の安全球を用いた衝突回避により、マルチロボット運用を可能にする。
• 実世界の産業点検シナリオにおいて、本システムの実現可能性とロバスト性を示す。

提案手法

• 本システムは、記録されたオドメトリデータをもとに、後処理で外観ベースのループクロージャと VIWLS 最適化を適用することで、特徴ベースの局所化マップを Google Tango 視覚慣性マッピングフレームワークを用いて生成する。
• 教師とエージェント（MAV）は、同じ共有マップを用いて局所化することで、共通のグローバルフレーム内での一貫性のある 6-DOF ポーズ推定が可能になる。
• Teach-and-Repeat（T&R）プランナは、教師の経路と点検ポイントをキーフレーム形式で記録し、2秒間の静止後に点検ポイントを検出する。
• ローカルプランナは、多項式経路最適化を用いて滑らかで動的に実行可能な経路を計算し、時間パラメータ化されたパスを生成する。
• モデル予測制御（MPC）は、最適化された経路に基づき、推力とアライメント命令を計算してリアルタイムでの MAV 制御を実現する。
• 衝突回避は、教師および他のエージェントの周囲の安全球を監視することで受動的に実装され、重複が発生すると緊急停止がトリガーされる。

実験結果

リサーチクエスチョン

• RQ1 非専門家オペレータが、GPS非利用環境においてハンドヘルドタブレットのみを用いて、複雑な空中点検タスクを教えることができるか？
• RQ2 MAV が視覚慣性センシングのみを用いて、教えた点検経路をどれほど正確かつロバストに局所化し、再現できるか？
• RQ3 本システムは、閉鎖空間の産業環境において、リアルタイムでオペレータまたは他のロボットを安全な距離を保ちながら追従できるか？
• RQ4 本システムの性能は、視覚慣性マップおよび特徴ベース局所化の品質にどの程度依存するか？
• RQ5 明示的なユーザー入力（静止状態のほか）がなければ、点検ポイントを信頼性高く検出しマークできるか？

主な発見

• 本システムは、GPS非利用の産業環境において、Google Tango タブレットを用いて人間オペレータが空中点検タスクを教えることに成功した。
• MAV は教えた経路を正確かつ安全に追従し、共有された視覚慣性マップに基づく正確な局所化で、すべての点検ポイントを完了した。
• 本システムは、動的で安全な距離維持を伴うオペレータのリアルタイム追従を実証し、既知の障害物ポーズの追跡により衝突を防止した。
• T&R プランナは、2秒間の静止後に点検ポイントを正しく同定し、自動的にウェイポイントマークを可能にした。
• 本システムは実世界の産業環境でもロバストに動作し、テスト中において局所化、経路実行、衝突回避のいずれの失敗も発生しなかった。
• Google Tango フレームワークの使用により、外部のビーコンやマーカーを必要としない、インfra構造物フリーで高精度な局所化とマッピングが実現された。