[논문 리뷰] Fisher Information Field: an Efficient and Differentiable Map for Perception-aware Planning

Zichao Zhang, Davide Scaramuzza|arXiv (Cornell University)|2020. 08. 07.

Robotics and Sensor-Based Localization참고 문헌 65인용 수 27

한 줄 요약

이 논문은 3D 랜드마크에서 사전 계산된 회전 불변 피셔 정보를 기반으로 하는 새로운 박막 기반 지ap 표현인 피셔 정보 필드(Fisher Information Field, FIF)를 제안한다. 이는 임의의 6-자유도 로봇 자세에 대해 국소화 정확도를 일정 시간 내에 평가할 수 있게 하여, 효율적이고 미분 가능한 인지 기반 운동 계획을 가능하게 한다. 이로 인해 직접 포인트 클라우드 계산에 비해 최대 10배 빠른 계획 수립과 향상된 국소화 정확도를 달성한다.

ABSTRACT

Considering visual localization accuracy at the planning time gives preference to robot motion that can be better localized and thus has the potential of improving vision-based navigation, especially in visually degraded environments. To integrate the knowledge about localization accuracy in motion planning algorithms, a central task is to quantify the amount of information that an image taken at a 6 degree-of-freedom pose brings for localization, which is often represented by the Fisher information. However, computing the Fisher information from a set of sparse landmarks (i.e., a point cloud), which is the most common map for visual localization, is inefficient. This approach scales linearly with the number of landmarks in the environment and does not allow the reuse of the computed Fisher information. To overcome these drawbacks, we propose the first dedicated map representation for evaluating the Fisher information of 6 degree-of-freedom visual localization for perception-aware motion planning. By formulating the Fisher information and sensor visibility carefully, we are able to separate the rotational invariant component from the Fisher information and store it in a voxel grid, namely the Fisher information field. This step only needs to be performed once for a known environment. The Fisher information for arbitrary poses can then be computed from the field in constant time, eliminating the need of costly iterating all the 3D landmarks at the planning time. Experimental results show that the proposed Fisher information field can be applied to different motion planning algorithms and is at least one order-of-magnitude faster than using the point cloud directly. Moreover,the proposed map representation is differentiable, resulting in better performance than the point cloud when used in trajectory optimization algorithms.

연구 동기 및 목표

• 운동 계획 중 포인트 클라우드에서 피셔 정보를 계산하는 데 드는 비효율성(랜드마크 수에 따라 선형적으로 증가)을 해결하기 위해.
• 6-자유도 자세에 대해 국소화 품질을 미분 가능한 방식으로 평가하여 궤적 최적화 성능을 향상시키기 위해.
• 회전 불변 피셔 정보를 박막 격자에 사전 계산하고 저장하여 빠르고 재사용 가능한 계획을 가능하게 하기 위해.
• 시각적으로 열악한 환경에서도 로봇 자세가 얼마나 잘 국소화될 수 있는지 정량화하여 능동적 시각 국소화를 지원하기 위해.
• 운동 계획을 위한 효율적인 계획을 위해 회전에 대한 의존성과 위치 정보를 분리하는 전용 지도 표현을 설계하기 위해.

제안 방법

• 피셔 정보 필드(FIF)는 환경를 박막 격자로 표현하며, 각 박막은 모든 3D 랜드마크로부터의 회전 불변 성분의 피셔 정보를 저장한다.
• 이 방법은 회전에 대한 의존성을 위치 정보에서 분리하여, 핵심 피셔 정보를 사전 계산하고 박막 격자에 저장할 수 있도록 한다.
• 임의의 6-자유도 자세에 대해, 위치 정보의 보간과 자세에 의존적인 가시성 모델을 조합하여 일정 시간 내에 전체 피셔 정보 행렬을 재구성한다.
• 가시성 모델은 다항식 또는 가우시안 프로세스(GP) 회귀를 사용하여 특정 시점에서 랜드마크가 가시한지 추정한다.
• 계획 시간에 피셔 정보 행렬(FIM)을 보간과 회귀를 통해 효율적으로 계산하여, 모든 3D 랜드마크를 반복 처리하지 않도록 한다.
• 가시성 근사의 부드러움으로 인해 지도는 미분 가능하며, 최적화 기반 계획기에서 더 나은 성능을 발휘할 수 있다.

실험 결과

연구 질문

• RQ1 사전 계산된, 미분 가능한 지도 표현이 6-자유도 시각 국소화에 대해 일정 시간 내 피셔 정보 평가를 가능하게 할 수 있는가?
• RQ2 운동 계획에서 직접 포인트 클라우드 계산에 비해 FIF는 효율성과 정확도에서 어떻게 비교되는가?
• RQ3 인지 기반 계획에서 FIF는 특히 시각적으로 열악한 환경에서 국소화 성공률과 정확도를 향상시킬 수 있는가?
• RQ4 정확도, 효율성, 미분 가능성 간의 최적 균형을 이루는 가시성 근사 방법(예: 다항식, GP)은 무엇인가?
• RQ5 시각-자이로스코픽 온도메터를 사용한 탐색 중 FIF를 순차적으로 업데이트할 수 있는가?

주요 결과

• FIF는 직접 포인트 클라우드를 사용할 경우보다 최소 한 계단 빠른 계획 수립을 달성하며, 궤적 최적화에서 최대 10배 빠른 성능 향상을 보였다.
• FIF 기반 지도 표현은 미분 가능하여 궤적 최적화 알고리즘에서 포인트 클라우드보다 더 높은 국소화 정확도를 달성했다.
• 50~70개의 샘플을 사용한 GP 근사와 FIM 행렬식을 조합한 경우, 계획 성공률과 효율성 측면에서 가장 우수한 전반적인 성능을 보였다.
• 이차 다항식 근사는 FIM 추적을 지표로 사용할 경우 GP보다 약 10배 빠르면서도 성능 손실가 최소화되어 강력한 효율성 우위를 보였다.
• 가시성 모델의 강제 형태로 인해 사전 계산 단계가 실현 가능하여 동일한 환경에서 여러 계획 세션에 걸쳐 재사용이 가능했다.
• 이 방법은 샘플링 기반(예: RRT*) 및 최적화 기반 계획기 모두에 효율적으로 통합되어 국소화 성공률과 정확도를 향상시켰다.