[논문 리뷰] iMHS: An Incremental Multi-Hypothesis Smoother

Fan Jiang, Varun Agrawal외 3명|arXiv (Cornell University)|2021. 03. 24.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 28인용 수 6

한 줄 요약

이 논문은 시간적 구조를 활용하여 계산 비용이 유한하고 일정한 시간 복잡도를 확보하면서 하이브리드 동역계를 효율적으로 처리하는 iMHS라는 증분 다중가설 스무서를 제안한다. 이는 다중가설 트리와 베이즈 트리를 증분 추론를 통해 통합함으로써 실현된다. 1차원, 2차원, 3차원 로봇 공학 문제, 즉 차선 변경, 항공기 동작, 다리가 있는 로봇의 접촉 감지 등에서 고정밀도의 모드 추정을 달성한다.

ABSTRACT

State estimation of multi-modal hybrid systems is an important problem with many applications in the field robotics. However, incorporating discrete modes in the estimation process is hampered by a potentially combinatorial growth in computation. In this paper we present a novel incremental multi-hypothesis smoother based on eliminating a hybrid factor graph into a multi-hypothesis Bayes tree, which represents possible discrete state sequence hypotheses. Following iSAM, we enable incremental inference by conditioning the past on the future but we add to that the capability of maintaining multiple discrete mode histories, exploiting the temporal structure of the problem to obtain a simplified representation that unifies the multiple hypothesis tree with the Bayes tree. In the results section we demonstrate the generality of the algorithm with examples in three problem domains: lane change detection (1D), aircraft maneuver detection (2D), and contact detection in legged robots (3D).

연구 동기 및 목표

• 다중 모드 하이브리드 시스템의 상태 추정에서 발생하는 조합적 계산 비용 증가 문제를 해결한다.
• 이산 모드와 연속 상태를 가진 시스템에서 시간에 따라 효율적이고 증분적인 스무딩을 가능하게 한다.
• 모드 간의 확률적 전이와 동역학 또는 측정 모델이 비대칭적으로 정보가 많을 경우의 모델 선택을 지원한다.
• 다중가설 트리와 베이즈 트리를 하나의 데이터 구조로 통합하여 추론을 단순화하고 복잡성을 감소시킨다.
• 자율주행 차량, 항공기 추적, 다리가 있는 로봇 등 다양한 로봇 영역에 적용 가능함을 보여준다.

제안 방법

• 연속 상태, 이산 모드, 측정값을 포함하는 하이브리드 요인 그래프로 문제를 수식화하고, 동적 베이즈 네트워크로 모델링한다.
• 과거 상태를 향후 관측값에 조건화함으로써 증분 스무딩을 적용하고, iSAM의 접근 방식을 다중 이산 모드 역사 기록을 지원하도록 확장한다.
• 모든 가능한 이산 상태 시퀀스 가설을 압축된 통합 구조로 표현하는 다중가설 베이즈 트리를 구성한다.
• 하이브리드 요인 그래프를 베이즈 트리로 분해하여 계산 비용이 유한하고 정확한 추론을 유지한다.
• 확률적 모드 전이를 통합하고, 모드의 상대적 정보량에 기반한 모델 선택을 허용한다.
• 시간적 구조를 활용하여 중복 계산을 방지하고, 가설 추적과 증분 추론을 통합한다.

실험 결과

연구 질문

• RQ1 조합적 폭발 없이도 하이브리드 시스템에서 다중 이산 모드 역사 기록을 지원할 수 있는 증분 추론을 어떻게 확장할 수 있는가?
• RQ2 다중가설 트리와 베이즈 트리를 효율적인 스무딩을 위해 통합하는 단일 데이터 구조를 설계할 수 있는가?
• RQ3 스무딩 방법이 노이즈가 많은 프로세스 및 측정 노이즈 조건에서 필터링 방법에 비해 어떻게 성능을 발휘하는가?
• RQ4 다양한 모드와 차원을 가진 다양한 로봇 응용 분야로 알고리즘이 얼마나 일반화되는가?
• RQ5 모델 선택과 모드의 비대칭적인 정보량이 추정 정확도에 미치는 영향은 무엇인가?

주요 결과

• 실시간 필터 모드에서도 횡방향 채널의 높은 노이즈 조건에서도 iMHS 알고리즘이 90% 이상의 정확도를 유지한다.
• 스무딩 모드에서 iMHS는 복잡한 비행 궤도에서 100회의 몬테카를로 시뮬레이션 전반에 걸쳐 강력하고 정확한 모드 식별을 달성한다.
• 실제 ANYmal B 데이터를 사용한 다리가 있는 로봇의 접촉 추정에서 iMHS는 낮은 교차 엔트로피 오차를 기록했다: LH 0.819, LF 0.639, RF 1.362, RH 1.284.
• A1 시뮬레이션에서는 교차 엔트로피 오차가 LH 1.013, LF 1.089, RF 0.377, RH 1.242로 나타나 시뮬레이션 데이터에서 뛰어난 성능을 보였다.
• 이 방법은 연속 상태와 이산 모드 시퀀스를 정확하게 동시 추정할 수 있으며, 낙관적 확률과 MAP 추정치가 높은 정밀도를 보였다.
• 스무딩이 필터링보다 모드 추정 정확도에서 뛰어나, 향후 정보를 활용한 하이브리드 시스템 추론의 이점이 확인되었다.