[논문 리뷰] Approximate Bayesian inference in spatial environments

Atanas Mirchev, Baris Kayalibay외 3명|arXiv (Cornell University)|2018. 05. 18.

Time Series Analysis and Forecasting인용 수 4

한 줄 요약

이 논문은 변분 추론과 신경망을 사용하여 공간 환경에서 SLAM, 자율 탐색 및 주행을 통합하는 잠재 맵을 갖춘 딥 변분 베이즈 필터(DVBF-LM)를 제안한다. 이는 복잡하고 비정규 분포의 사후 분포를 근사하는 데 성능이 뛰어나며, 종단간 학습과 근사 베이즈 추론을 가능하게 하여 시뮬레이션된 LiDAR 및 미로 환경에서 전문화된 최신 기법들과 경쟁 가능한 성능을 달성한다.

ABSTRACT

Model-based approaches bear great promise for decision making of agents interacting with the physical world. In the context of spatial environments, different types of problems such as localisation, mapping, navigation or autonomous exploration are typically adressed with specialised methods, often relying on detailed knowledge of the system at hand. We express these tasks as probabilistic inference and planning under the umbrella of deep sequential generative models. Using the frameworks of variational inference and neural networks, our method inherits favourable properties such as flexibility, scalability and the ability to learn from data. The method performs comparably to specialised state-of-the-art methodology in two distinct simulated environments.

연구 동기 및 목표

• 단일 확률적 딥 러닝 프레임워크 내에서 SLAM, 자율 탐색 및 주행과 같은 다수의 공간 추론 작업을 통합하는 것.
• 감독 없이도 장기적인 순차적 시계열 데이터에 대해 확률적 순환 모델을 종단간 학습할 수 있도록 하는 것.
• SLAM에서 복잡하고 비정규 사후 분포를 다루기 위해 다중 모드 불확실성을 반영하는 변분 사후를 사용하는 것.
• 가우스 분포나 격자 기반 상태 공간 이산화를 가정하지 않고 예측 정보 이득을 최적화하여 능동적 탐색을 수행하는 것.
• 특정 작업을 위한 아키텍처나 인덕티브 편향 없이도 시뮬레이션 환경에서 전문 기반 모델들과 경쟁 가능한 성능을 보여주는 것.

제안 방법

• 환경을 나타내는 전역 잠재 맵 변수를 포함한 딥 비선형 상태공간 모델을 사용하여 에이전트 자세와 지도의 동시 추론을 가능하게 한다.
• SLAM에서 지도와 궤적의 복잡하고 다중 모드의 공동 사후 분포를 근사하기 위해 구조화된 사후를 사용한 변분 추론을 적용한다.
• 관측 재구성 및 믿음 갱신을 위해 관련 지도 영역에 조건부로 주의를 기울이는 자세 기반 어텐션 메커니즘을 적용한다.
• 관측과 지도 불확실성 간의 상호정보량을 최대화하여 탐색을 위한 제어 시퀀스를 최적화하며, 샘플 효율성을 향상시키기 위해 힌트 장애물 페널티를 사용한다.
• 변분 가능하한을 이용한 마진 가능도의 하한을 최적화하여 장기 순차 데이터에서 스토하스틱 백프로파게이션을 통해 종단간 학습을 수행한다.
• 연속적인 공간 상태에서 계획 및 정보 이득 추정을 지원하는 가분가능한 지도 표현을 사용한다.

실험 결과

연구 질문

• RQ1 단일 딥 생성 모델이 공간 환경에서 SLAM, 자율 탐색 및 주행을 효과적으로 통합할 수 있는가?
• RQ2 딥 신경망과 변분 추론을 사용하여 SLAM에서 복잡하고 비정규 사후 분포를 효과적으로 근사할 수 있는가?
• RQ3 점유 격자나 가우스 가정 없이도 연속적인 공간 상태에서 정보 이론적 탐색을 효율적으로 수행할 수 있는가?
• RQ4 단일 종단간 학습 모델이 시뮬레이션된 공간 환경에서 작업 전용 기반 모델을 얼마나 뛰어나게 성능을 낼 수 있는가?
• RQ5 제안된 방법은 실제와 유사한 장기 순차적 의존성을 어떻게 다루는가?

주요 결과

• DVBF-LM 모델은 시뮬레이션 환경에서 최신 2D LiDAR SLAM 시스템과 경쟁하는 정밀한 위치 추정 성능을 달성한다.
• 제안된 탐색 방법은 정보 이득과 탐색 비율 측면에서 강력한 LSTM 기반 기반 모델(PDMA)보다 뚜렷이 뛰어나며, PEMA가 해당 지표에 직접적으로 훈련된 점을 감안할 때 더욱 두드러진다.
• 모델는 미로에서 거의 균일한 커버리지 확보를 보이며, 탐색하지 않은 영역과 불확실성이 높은 영역을 적극적으로 대상으로 삼아 효과적인 호기심 기반 탐색을 수행한다.
• 계획 작업에서 높은 성능을 유지하며, 궤적 최적화를 위한 시뮬레이터로 사용할 경우 정확도 손실가 최소화된다.
• 제어 시퀀스 생성 중 장애물 페널티를 적용함으로써 샘플 효율성이 향상되어 탐색 중 유효하지 않은 궤적의 수가 감소한다.
• 모델는 다양한 미로 복잡도와 복도 폭에 걸쳐 일반화되며, 실험에서 환경 변화에 대한 강건성을 보여준다.