[논문 리뷰] Incremental learning of environment interactive structures from trajectories of individuals

Damian Campo, Vahid Bastani외 2명|arXiv (Cornell University)|2019. 09. 09.

Anomaly Detection Techniques and Applications참고 문헌 28인용 수 5

한 줄 요약

이 논문은 인공 신경망(ANN)과 칼만 필터 기반 잔차 분석을 사용하여 2차원 환경에서 알려지지 않은 정적 물체의 존재, 위치 및 성질(흡인 또는 반발)을 에이전트 궤적의 이탈을 분석함으로써 추론하는 점진적 학습 방법을 제안한다. 이 방법은 속도 장을 정확하게 추정하고, 물체를 미터 이내의 정밀도로 국소화할 수 있으며, 시간에 따라 환경적 영향을 계층적으로 모델링할 수 있다.

ABSTRACT

This work proposes a novel method for estimating the influence that unknown static objects might have over mobile agents. Since the motion of agents can be affected by the presence of fixed objects, it is possible use the information about trajectories deviations to infer the presence of obstacles and estimate the forces involved in a scene. Artificial neural networks are used to estimate a non-parametric function related to the velocity field influencing moving agents. The proposed method is able to incrementally learn the velocity fields due to external static objects within the monitored environment. It determines whether an object has a repulsive or an attractive influence and provides an estimation of its position and size. As stationarity is assumed, i.e., time-invariance of force fields, learned observation models can be used as prior knowledge for estimating hierarchically the properties of new objects in a scene.

연구 동기 및 목표

• 에이전트 궤적 데이터만을 사용하여 알려지지 않은 정적 물체가 이동 에이전트에 미치는 영향을 추정하는 방법을 개발하는 것.
• 새로운 정적 물체가 시나리오에 추가될 때마다 환경의 힘장이 점진적으로 학습되도록 하는 것.
• 관측된 에이전트 운동 이탈을 바탕으로 알려지지 않은 물체를 흡인 또는 반발 성질로 분류하는 것.
• 베이지안 추론과 사전 지식을 활용하여 시간에 불변하는 환경 제약 조건의 계층적 모델링을 제공하는 것.
• 물체 중심 국소화 및 힘장 특성 추정의 정확도를 검증하는 것.

제안 방법

• 잔차(혁신)를 알려지지 않은 정적 물체의 영향을 나타내는 제어 입력 항으로 모델링하는 칼만 필터 프레임워크를 사용한다.
• 에이전트 궤적의 희소한 데이터를 기반으로 비모수적 회귀를 수행하기 위해 인공 신경망을 적용하여 환경 전역의 속도장을 일반화한다.
• 힘장을 물체 중심으로부터의 거리에 의해 영향을 받는 벡터장으로 모델링하며, 방향과 크기는 에이전트 운동으로부터 학습한다.
• 계층적 학습 전략을 적용: 알려진 흡인 물체의 사전 지식을 활용하여 새로운 반발 물체의 추정을 향상시킨다.
• ANN 출력에서 유도된 속도장의 각도와 크기를 이론적 기준값과 비교하여 검증한다.
• 알고리즘 1을 단위 간격 0.3로 적용하여 추정된 속도장으로부터 물체의 위치와 성질을 추출한다.

실험 결과

연구 질문

• RQ1 2차원 환경에서 이동 에이전트의 궤적 이탈을 이용하여 알려지지 않은 정적 물체의 존재 및 특성을 추론할 수 있는가?
• RQ2 비모수적 신경망 모델은 알려지지 않은 정적 물체에 의해 유도된 속도장을 얼마나 정확하게 추정할 수 있는가?
• RQ3 시스템은 다시 학습하지 않고도 새로운 환경적 영향을 점진적으로 학습할 수 있는가?
• RQ4 에이전트 운동의 이탈을 바탕으로 알려지지 않은 물체를 흡인 또는 반발 성질로 올바르게 분류할 수 있는가?
• RQ5 추정된 속도장이 흡인 물체와 반발 물체 모두에 대해 이론적 기준값과 얼마나 잘 일치하는가?

주요 결과

• 첫 번째 흡인 물체는 진짜 위치(0, 15)에 매우 가까운 (-0.2, 15.1)로 정확하게 국소화되었으며, 좌표 오차가 작았다.
• 두 번째 흡인 물체는 진짜 위치(-10, 10)와 매우 유사한 (-10.1, 10)로 추정되어 높은 국소화 정밀도를 보였다.
• 반발 물체는 진짜 위치(0, -5)에 가까운 (0.1, -4.7)로 국소화되어 반발 힘의 탐지 능력을 확인했다.
• ANN에서 추정한 속도장과 각도 방향이 모든 세 물체에 대해 이론적 기준값과 거의 정확히 일치했다.
• 시스템은 세 물체 모두를 정확히 분류하였으며, 두 개의 흡인 물체와 한 개의 반발 물체로 분류되어 힘 성질 인식이 정확함을 입증했다.
• 계층적 학습 접근법은 흡인 물체의 사전 모델을 활용하여 새로 도입된 반발 물체의 추정을 성공적으로 향상시켜 점진적 학습 능력을 검증했다.