[논문 리뷰] Adaptive Continuous Visual Odometry from RGB-D Images

Tzu-Yuan Lin, William Clark외 4명|arXiv (Cornell University)|2019. 10. 01.

Robotics and Sensor-Based Localization참고 문헌 33인용 수 5

한 줄 요약

이 논문은 RGB-D 시각 올로메트리에 대한 온라인 하이퍼파ram터 학습 프레임워크인 적응형 연속 시각 올로메트리(A-CVO)를 제안한다. 이는 탐욕적 경사 하강법과 적응형 간격 탐색을 통해 자동으로 커널 길이 척도를 조정함으로써 저조도 또는 구조가 빈약한 환경에서의 강인성을 향상시킨다. 제안된 방법은 공개된 RGB-D 벤치마크에서 원래의 CVO 및 최신 기술(SOTA) 밀도 기반 방법보다 뛰어난 성능을 보이며, 수동 조정 없이도 뛰어난 일반화 능력과 강인성을 확보한다.

ABSTRACT

In this paper, we extend the recently developed continuous visual odometry framework for RGB-D cameras to an adaptive framework via online hyperparameter learning. We focus on the case of isotropic kernels with a scalar as the length-scale. In practice and as expected, the length-scale has remarkable impacts on the performance of the original framework. Previously it was handled using a fixed set of conditions within the solver to reduce the length-scale as the algorithm reaches a local minimum. We automate this process by a greedy gradient descent step at each iteration to find the next-best length-scale. Furthermore, to handle failure cases in the gradient descent step where the gradient is not well-behaved, such as the absence of structure or texture in the scene, we use a search interval for the length-scale and guide it gradually toward the smaller values. This latter strategy reverts the adaptive framework to the original setup. The experimental evaluations using publicly available RGB-D benchmarks show the proposed adaptive continuous visual odometry outperforms the original framework and the current state-of-the-art. We also make the software for the developed algorithm publicly available.

연구 동기 및 목표

• 다양한 환경에서 고정된 커널 길이 척도에 민감한 연속 시각 올로메트리(CVO)의 문제를 해결하기 위해.
• 수동 조정과 히우리스틱 규칙 없이 온라인 학습을 통해 커널 길이 척도의 자동 선택을 실현하기 위해.
• 기존 방법이 실패하는 저조도 또는 구조가 빈약한 환경에서의 강인성을 향상시키기 위해.
• 운동 블러 및 특징이 없는 영역과 같은 과도한 조건에서도 높은 정확도와 수렴 성능를 유지하기 위해.
• 실제 로봇 응용 프로그램에 적합한 공개 가능하고 효율적인 구현을 제공하기 위해.

제안 방법

• 각 반복에서 탐욕적 경사 하강법을 사용해 스칼라 커널 길이 척도의 온라인 학습을 도입함으로써 원래의 CVO 프레임워크를 변형한다.
• 길이 척도에 대한 유한한 탐색 간격을 도입하여 기울기가 부적절하게 행동할 경우 동적으로 더 작은 값으로 수축시키며, 원래의 CVO 동작으로의 후퇴 메커니즘을 보장한다.
• 재생 핵 힐버트 공간(RKHS) 내에서 외적 내적 곱을 커널화함으로써 성능과 강인성을 향상시킨다.
• DSO를 영감으로 삼아 밀도가 낮은 포인트 클라우드 구축 방식을 도입하여 계산 비용을 줄이면서도 정확도를 유지한다.
• 벡터화 및 멀티스레딩을 활용해 효율적인 CPU 실행을 구현하였으며, 향후 GPU 가속을 고려할 수 있다.
• 이미지 피라미드와 특징 매칭을 피하는 연속 센서 정렬 프레임워크에 방법을 통합한다.

실험 결과

연구 질문

• RQ1 온라인 하이퍼파ram터 학습이 다양한 환경 조건에서 연속 시각 올로메트리의 강인성과 성능을 향상시키는가?
• RQ2 저조도 또는 특징이 없는 환경에서 적응형 길이 척도 조정이 고정 또는 히우리스틱 기반 길이 척도 조정보다 어떻게 비교되는가?
• RQ3 커널화된 외적 내적 곱은 원래의 CVO 수식 대비 성능 향상에 얼마나 기여하는가?
• RQ4 적응형 프레임워크는 특히 도전적인 시퀀스에서 공개 RGB-D 벤치마크에서 최신 기술(SOTA) 성능을 유지하거나 초월하는가?
• RQ5 기울기가 잘 행동하지 않는 경우, 예를 들어 운동 블러나 무조직 영역에서의 실패 사례를 어떻게 처리하는가?

주요 결과

• TUM RGB-D 벤치마크에서 A-CVO는 원래의 CVO 및 최신 기술 DVO보다 상대 자세 오차(RPE)의 RMSE가 낮으며, 특히 저조도 및 구조가 없는 환경에서 뛰어난 성능을 보였다.
• 적응형 길이 척도 학습은 저조도 및 운동 블러가 있는 다양한 실내 시나리오에서 성능 향상에 크게 기여했다.
• 커널화된 외적 모델만으로도 CVO의 성능이 최신 기술 밀도 기반 시각 올로메트리 방법(DVO)과 동등해졌으며, 내재된 강인성을 확인했다.
• 풍부한 구조와 무늬가 있는 시퀀스에서는 DVO가 약간 A-CVO를 뛰어넘었으며, 이는 전체 밀도 이미지 사용 및 운동 사전 정규화의 영향일 가능성이 높다.
• 기울기 하강법 단계에서 실패하더라도, 수축하는 탐색 간격을 이용한 후퇴 메커니즘 덕분에 메서드는 여전히 강인성을 유지한다.
• 소프트웨어 구현은 GitHub에 공개되어 있어 재현성과 로봇 인식 스택 내 통합을 가능하게 한다.