[論文レビュー] Visual SLAM with Network Uncertainty Informed Feature Selection.

Pranav Ganti, Steven L. Waslander|arXiv (Cornell University)|Nov 29, 2018

Robotics and Sensor-Based Localization参考文献 28被引用数 8

ひとこと要約

SIVOは、ベイジアンニューラルネットワークの不確実性を統合することで、静的で持続的な特徴を抽出する、画認識SLAM向けの新規情報理論的特徴選択手法を提案する。マップサイズを69%削減しながら、ORB_SLAM2と同等の性能を維持する（並進誤差は0.17%低い、回転誤差は6.2×10⁻⁵ deg/m低い）。

ABSTRACT

In order to facilitate long-term localization using a visual simultaneous localization and mapping (SLAM) algorithm, careful feature selection is required such that reference points persist over long durations and the runtime and storage complexity of the algorithm remain consistent. We present SIVO (Semantically Informed Visual Odometry and Mapping), a novel information-theoretic feature selection method for visual SLAM which incorporates machine learning and neural network uncertainty into the feature selection pipeline. Our algorithm selects points which provide the highest reduction in Shannon entropy between the entropy of the current state, and the joint entropy of the state given the addition of the new feature with the classification entropy of the feature from a Bayesian neural network. This feature selection strategy generates a sparse map suitable for long-term localization, as each selected feature significantly reduces the uncertainty of the vehicle state and has been detected to be a static object (building, traffic sign, etc.) repeatedly with a high confidence. The KITTI odometry dataset is used to evaluate our method, and we also compare our results against ORB_SLAM2. Overall, SIVO performs comparably to ORB_SLAM2 (average of 0.17% translation error difference, 6.2 x 10^(-5) deg/m rotation error difference) while reducing the map size by 69%.

研究の動機と目的

• 長期的なビジュアルSLAMにおける一貫性あるローカライゼーションを維持するため、マップの複雑さを低減し、特徴の持続性を向上させること。
• 最も情報量が多く安定した特徴のみを選択することで、ビジュアルSLAMにおける実行時間およびストレージのオーバーヘッドを軽減すること。
• ベイジアンニューラルネットワークからの意味的および不確実性に配慮した分類を統合することで、特徴選択の信頼性を向上させること。
• マップに格納する特徴の数を大幅に削減しながらも、高いローカライゼーション精度を維持すること。

提案手法

• SIVOは、車両状態のシャノンエントロピーの低減を最大化する情報理論的基準を用いて特徴を選択する。
• 新規特徴を条件とした状態の結合エントロピーを計算し、ベイジアンニューラルネットワークからの分類エントロピーを組み込む。
• 特徴は、車両状態の不確実性を低減できる能力に加え、高い信頼性で静的物体と分類されるかどうかに基づいて選択される。
• アルゴリズムは、意味的セグメンテーションと不確実性推定値を活用して、動的または信頼性の低い特徴をフィルタリングする。
• 特徴選択はマッピング中に繰り返し適用され、スパarselyかつ持続的であるマップを維持する。
• 本手法は、ORB_SLAM2をパフォーマンスベンチマークとして用い、KITTIオドメトリーデータセットで評価されている。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークの不確実性を組み込むことで、長期的ビジュアルSLAMにおける持続的特徴の選択が向上するか？
• RQ2 エントロピー低減に基づく情報理論的特徴選択が、マップサイズとローカライゼーション精度にどのように影響を与えるか？
• RQ3 不確実性に基づく選択によって生成されたスパースマップは、最先端のSLAMシステムと同等の性能をどの程度維持できるか？
• RQ4 ベイジアンニューラルネットワークからの意味的信頼性の統合は、特徴の安定性を向上させ、マップの複雑さを低減するか？

主な発見

• SIVOは、ORB_SLAM2と比較してマップサイズを69%削減しながら、同等のローカライゼーション精度を維持している。
• SIVOとORB_SLAM2の並進誤差差はたった0.17%であり、性能の低下は最小限に抑えられている。
• 回転誤差差は6.2×10⁻⁵ deg/mであり、姿勢推定の高精度な一貫性が示されている。
• 選択された特徴は、建物や交通標識など静的物体が主であり、高信頼性のベイジアンニューラルネットワーク分類によって確認されている。
• 情報理論的特徴選択戦略は、状態の不確実性を最も効果的に低減する特徴を優先的に選択するのに効果的である。
• 本手法により、情報量が多くかつ持続的に検出可能な特徴を優先することで、長期的なローカライゼーションが可能になる。