[논문 리뷰] Dense 3-D Mapping with Spatial Correlation via Gaussian Filtering

Ke Sun, Kelsey Saulnier외 3명|arXiv (Cornell University)|2018. 01. 23.

Gaussian Processes and Bayesian Inference참고 문헌 14인용 수 3

한 줄 요약

이 논문은 공간 상관관계를 칼만 필터 기반의 가우시안 프로세스 분류 근사로 모델링함으로써 계산적으로 효율적인 밀도 3차원 점유 지ap 맵핑을 위한 점유 격자 필터(Occupancy Grid Filter, OGF)를 제안한다. 기존의 독립성 가정을 하는 전통적인 점유 격자와 달리, OGF는 정확도 향상과 궤도 계획 향상을 위해 불확실성과 상관관계를 포착하며, 데이터 기록의 세제곱에 비해 지도 크기에 대해 제곱의 복잡도를 가지므로 계산 비용이 낮다.

ABSTRACT

Constructing an occupancy representation of the environment is a fundamental problem for robot autonomy. Many accurate and efficient methods exist that address this problem but most assume that the occupancy states of different elements in the map representation are statistically independent. The focus of this paper is to provide a model that captures correlation of the occupancy of map elements. Correlation is important not only for improved accuracy but also for quantifying uncertainty in the map and for planning autonomous mapping trajectories based on the correlation among known and unknown areas. Recent work proposes Gaussian Process (GP) regression to capture covariance information and enable resolution-free occupancy estimation. The drawback of techniques based on GP regression (or classification) is that the computation complexity scales cubically with the length of the measurement history. Our main contribution is a new approach for occupancy mapping that models the binary nature of occupancy measurements precisely, via a Bernoulli distribution, and provides an efficient approximation of GP classification with complexity that does not scale with time. We prove that the error between the estimates provided by our method and those provided by GP classification is negligible. The proposed method is evaluated using both simulated data and real data collected using a Velodyne Puck 3-D range sensor.

연구 동기 및 목표

• 격자 셀 간 통계적 독립성을 가정하는 기존 점유 격자의 한계를 해결하기 위해.
• 정확도 향상과 불확실성 정량화를 위해 3차원 점유 지도에서 공간 상관관계를 모델링하기 위해.
• 측정 기록의 세제곱에 비례하는 복잡도를 가지는 가우시안 프로세스 분류의 계산적으로 효율적인 대안을 개발하기 위해.
• 이진 센서 측정값을 사용하여 해상도에 구애받지 않고 연속적인 점유 추정을 가능하게 하기 위해.
• 유용한 궤도 계획을 위한 공분산 정보를 제공함으로써 자율 지도 제작을 지원하기 위해.

제안 방법

• 점유를 베르누이 과정으로 모델링하고, 점유 가능성 확률을 나타내기 위해 잠재 가우시안 프로세스를 사용한다.
• 잠재 함수의 사후분포를 근사하기 위해 칼만 필터를 적용함으로써, 각 업데이트에 대해 일정한 계산 비용을 유지를 한다.
• 잠재 값에서 이진 점유 확률로 변환하기 위해 프로빗 링크 함수를 사용한다.
• 측정 업데이트 단계는 기대 전파(EP) 근사를 통해 유도되며, 이는 GP 분류와 일관성을 확보한다.
• 격자 셀 간 공분산 구조를 정의하기 위해 공간 상관관계 커널을 사용하여 부드럽고 연속적인 점유 추정을 가능하게 한다.
• 알고리즘은 스트림 방식으로 구현되어 새로운 센서 데이터가 도착할 때마다 실시간으로 점진적 업데이트가 가능하다.

실험 결과

연구 질문

• RQ1 공간 상관관계를 유지하면서도 GP 분류를 근사하는 데 있어 계산적으로 효율적인 방법이 점유 지도 맵핑에 적용될 수 있는가?
• RQ2 격자 셀 간의 공간 상관관계를 모델링하면 독립적인 점유 격자 모델에 비해 지도 정확도와 불확실성 정량화가 향상되는가?
• RQ3 제안된 방법은 기존 GP 방법과 달리 시간이 지남에 따라 일정한 계산 복잡도를 유지할 수 있는가?
• RQ4 공간 상관관계를 포함함으로써 희박한 센서 데이터에서의 3차원 지도의 빈 공간 메우기 능력은 어떻게 향상되는가?
• RQ5 제안된 방법의 공분산 구조는 더 유용한 자율 탐색 궤도 계획을 이끌 수 있는가?

주요 결과

• OGF는 GP 분류의 황금 표준인 기대 전파(EP)와 거의 동일한 분류 정확도를 달성하였으며, 잠재 값 추정에서 거의 없는 오차를 보였다.
• 2차원 시뮬레이션에서 OGF는 합리적인 수의 측정값을 사용할 때 표준 점유 격자 맵핑보다 분류 정확도에서 뛰어난 성능을 보였다.
• 벨로시티 Puck 센서로부터의 실제 3차원 데이터에서 OGF는 간접적으로 빈 공간을 효과적으로 메우면서 Octomap보다 더 높은 밀도의 지도를 생성하였다.
• 특히 가림되거나 관측 빈도가 낮은 영역에서 지면 평면과 복잡한 실내 구조를 재구성하는 데서 뛰어난 성능을 보였다.
• OGF의 계산 복잡도는 지도 크기에 대해 제곱의 비율로 증가하여 실시간 운영이 가능하지만, 표준 GP 방법은 측정 기록에 대해 세제곱의 비율로 증가한다.
• OGF가 제공하는 공분산 정보 덕분에 독립 격자 모델 대비 더 나은 불확실성 정량화와 더 완전한 지도를 확보할 수 있었다.