[논문 리뷰] Hierarchical Bayesian Noise Inference for Robust Real-time Probabilistic Object Classification

Shayegan Omidshafiei, Brett T. Lopez외 2명|arXiv (Cornell University)|2016. 05. 03.

Gaussian Processes and Bayesian Inference인용 수 7

한 줄 요약

이 논문은 계층적 베이지안 노이즈 추론(HBNI)을 제안하며, 객체 클래스 간에 분류기 출력 노이즈를 계층적으로 모델링함으로써 실시간, 차량 내에서의 확률적 객체 분류를 향상시키는 방법이다. 각 클래스별로 노이즈 분포를 추론하면서도 고수준의 노이즈 특성을 공유함으로써, 노이즈가 많고 현실적인 조건에서도 강건한 분류를 달성한다. 이는 노이즈 간과 필터가 실패하는 움직이는 퀸타로터에서 검증되었으며, 기준 방법보다 분류 정확도가 뚜렷이 뛰어나다.

ABSTRACT

Robust environment perception is essential for decision-making on robots operating in complex domains. Principled treatment of uncertainty sources in a robot's observation model is necessary for accurate mapping and object detection. This is important not only for low-level observations (e.g., accelerometer data), but for high-level observations such as semantic object labels as well. This paper presents an approach for filtering sequences of object classification probabilities using online modeling of the noise characteristics of the classifier outputs. A hierarchical Bayesian approach is used to model per-class noise distributions, while simultaneously allowing sharing of high-level noise characteristics between classes. The proposed filtering scheme, called Hierarchical Bayesian Noise Inference (HBNI), is shown to outperform classification accuracy of existing methods. The paper also presents real-time filtered classification hardware experiments running fully onboard a moving quadrotor, where the proposed approach is demonstrated to work in a challenging domain where noise-agnostic filtering fails.

연구 동기 및 목표

• 노이즈가 많은 센서 데이터와 훈련/테스트 데이터 분포의 불일치로 인해 로봇에서 신뢰할 수 없는 객체 분류 문제가 발생하는 문제를 해결하기 위해.
• 분류기 출력의 불확실성을 모델링함으로써 실시간, 차량 내 필터링 방법을 개발하여 분류 정확도를 향상시키기 위해.
• 기존 필터가 고노이즈 또는 클래스별 노이즈로 인해 실패하는 동적인 실제 환경에서 강건한 추론을 가능하게 하기 위해.
• 실시간으로 움직이는 로봇 플랫폼에서 계층적 노이즈 모델링의 타당성과 효과성을 입증하기 위해.

제안 방법

• HBNI는 분류기 출력 확률의 시퀀스로부터 각 클래스별 노이즈 분포를 계층적 베이지안 모델을 사용해 추론한다.
• 분류 확률의 분산을 기본 객체 클래스에 따라 함수로 모델링함으로써 클래스별 노이즈 추정을 가능하게 한다.
• 일반화를 향상시키기 위해 클래스 간에 하이퍼프리어를 공유하며, 특히 관측 수가 적을 경우 유리하다.
• 순차적 필터링 프레임워크를 통해 노이즈가 있는 확률 출력과 추론된 노이즈 파rameter를 사용해 객체 클래스에 대한 신뢰도를 갱신한다.
• 실시간 추론을 위해 임베디드 시스템(NVIDIA Jetson TK1)에 구현되었으며, 움직이는 퀸타로터에서 약 13 FPS로 작동한다.
• 운동 중인 객체의 동적 분류를 가능하게 하기 위해 최근 프레임의 슬라이딩 윈도우를 사용한다.

실험 결과

연구 질문

• RQ1 계층적 베이지안 노이즈 모델링은 노이즈가 많고 대표성이 없는 테스트 조건에서 실시간 로봇 인식 환경에서 객체 분류의 강건성을 향상시킬 수 있는가?
• RQ2 SSBF와 같은 노이즈 간과 필터링 방법과 비교할 때, HBNI는 고노이즈 환경과 제한된 레이블 데이터가 있는 조건에서 어떻게 성능을 내는가?
• RQ3 분류기 출력이 정보가 없을 때(예: 균일한 확률) 소수의 관측만으로도 HBNI는 정확한 분류를 달성할 수 있는가?
• RQ4 이 방법은 경량 로봇 플랫폼에서 실시간, 차량 내 배포에 적합한가?

주요 결과

• HBNI는 SSBF와 같은 노이즈 간과 방법보다 고노이즈 조건에서 크게 뛰어난 성능을 보이며, 특히 SSBF가 높은 신뢰도로 'iRobot'로 잘못 분류하는 'Quadrotor' 클래스의 경우에 뚜렷한 우월성을 보였다.
• 원시 확률이 균일하게 분포되어 있어도, HBNI는 단 7프레임 만에 진짜 객체 클래스를 정확히 추론했다.
• 저노이즈 상황(예: 'iRobot' 및 'Racecar' 클래스)에서는 HBNI가 SSBF와 거의 동일한 분류 결과를 도출하여, 정상 조건에서의 성능 저하가 없음을 확인했다.
• 외부 재학습에 의존하지 않고도 차량 내 계산만으로 약 13 FPS로 움직이는 퀸타로터에서 정확하고 실시간 분류를 가능하게 했다.
• 훈련 데이터가 테스트 조건을 대표하지 못하는 상황에서도 HBNI는 클래스별 노이즈 특성을 성공적으로 추론하여 도메인 이동에 대한 강건성을 입증했다.
• 하드웨어 실험 결과, 원시 분류기 출력이 애매하거나 노이즈가 많아도 HBNI는 정확한 클래스에 대해 높은 신뢰도를 유지했다.