[논문 리뷰] Incremental Sparse GP Regression for Continuous-time Trajectory Estimation & Mapping

Xinyan Yan, Vadim Indelman외 1명|arXiv (Cornell University)|2015. 04. 10.

Gaussian Processes and Bayesian Inference참고 문헌 4인용 수 9

한 줄 요약

이 논문은 연속 시간 궤적 추정 및 매핑(steaming, STEAM)을 위한 증분 스퍼스 가우시안 프로세스 회귀 알고리즘을 소개한다. 이는 연속적이고 비동기적인 데이터 처리에 유리한 가우시안 프로세스의 특성과 iSAM 2.0의 베이즈 트리가 제공하는 증분 변수 재정렬 및 즉시 재선형화의 효율성을 결합한다. 실제 데이터셋에서 iSAM 2.0 대비 최대 68% 빠른 계산 속도를 달성하면서도 RMSE는 단지 8cm 높게 유지하여 실시간으로 확장 가능한 로봇 위치 추정 및 매핑을 가능하게 한다.

ABSTRACT

Recent work on simultaneous trajectory estimation and mapping (STEAM) for mobile robots has found success by representing the trajectory as a Gaussian process. Gaussian processes can represent a continuous-time trajectory, elegantly handle asynchronous and sparse measurements, and allow the robot to query the trajectory to recover its estimated position at any time of interest. A major drawback of this approach is that STEAM is formulated as a batch estimation problem. In this paper we provide the critical extensions necessary to transform the existing batch algorithm into an extremely efficient incremental algorithm. In particular, we are able to vastly speed up the solution time through efficient variable reordering and incremental sparse updates, which we believe will greatly increase the practicality of Gaussian process methods for robot mapping and localization. Finally, we demonstrate the approach and its advantages on both synthetic and real datasets.

연구 동기 및 목표

• 모든 새로운 측정치가 입력될 때마다 전체 재계산이 필요한 배치 가우시안 프로세스 기반 STEAM 방법의 한계를 해결하기 위해.
• 연속 시간 표현을 활용한 온라인, 증분 궤적 추정 및 매핑을 가능하게 하기 위해.
• 비동기적이고 불규칙하게 샘플링된 데이터에 대해 모델링의 유연성을 제공하는 가우시안 프로세스와 iSAM 2.0의 베이즈 트리의 계산 효율성을 통합하기 위해.
• 대규모 로봇 매핑 환경에서 높은 정확도를 유지하면서도 계산 비용을 줄이기 위해.

제안 방법

• 궤적을 시간의 함수로 표현하는 연속 시간 가우시안 프로세스 회귀로 STEAM 문제를 수식화하며, 평균 및 공분산 함수를 사용한다.
• 전체 궤적을 표현하기 위해 소수의 유도점( inducing points )을 선택하여 계산 복잡도를 감소시키는 스퍼스 근사법을 사용한다.
• 증분적 변수 재정렬 및 즉시 재선형화를 가능하게 하기 위해 베이즈 트리 데이터 구조를 활용하며, 비용이 많이 드는 배치 재최적화를 피한다.
• 측정된 시간 간격 사이의 상태를 추정하기 위해 가우시안 프로세스 보간법을 적용하여 명시적으로 유지해야 할 상태 수를 줄인다.
• 오도메트리 및 센서 측정치(예: 거리-각도)를 비선형 측정 모델과 가우시안 노이즈를 갖는 추가 항을 통해 GP 프레임워크에 통합한다.
• 베이즈 트리를 통한 증분 업데이트를 수행하여 효율적인 온라인 추론을 가능하게 하며, 추정 과정 全 주기 동안 흐린 상태를 유지한다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 기반의 연속 시간 궤적 추정이 실시간 로봇 응용에 적합할 정도로 증분적이고 효율적으로 구현될 수 있는가?
• RQ2 스퍼스 GP 회귀와 베이즈 트리의 통합이 대규모 STEAM 문제에서 계산 효율성을 어떻게 향상시키는가?
• RQ3 가우시안 프로세스 보간법을 통해 명시적으로 모델링해야 할 상태 수를 얼마나 줄일 수 있으며, 이로 인해 추정 정확도가 저하되지 않는가?
• RQ4 제안된 증분적 접근법은 실제 및 시뮬레이션 데이터셋에서 배치 방법과 iSAM 2.0에 비해 속도와 정확도 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 BTGP 알고리즘은 자동 벤치마킹 풀러너 데이터셋에서 iSAM 2.0 대비 최대 68% 빠른 계산 시간을 확보하면서도 RMSE는 단지 8cm 뿐만 아니라 증가시켰다.
• 6,969개의 시간 스텝과 151개의 랜드마크를 포함한 버지니아 파크 데이터셋에서 BTGP는 대규모 문제 크기에도 불구하고 낮은 계산 시간을 유지하여 강력한 확장성을 입증했다.
• BTGP를 사용해 90%의 상태를 보간(즉, 10%의 상태만 명시적으로 모델링)함으로써 iSAM 2.0 대비 계산 시간을 33% 감소시켰지만 정확도에 영향을 주지 않았다.
• 베이즈 트리 내 변수 재정렬은 특히 궤적 상태 수 대비 랜드마크 수가 많은 대규모 문제에서 성능 향상에 크게 기여했다.
• 보간 기반의 증분적 접근법은 전체 데이터에 대해 iSAM 2.0 수준의 거의 최적의 정확도를 달성하면서도 계산 부담을 극적으로 감소시켰다.
• 거의 10,000개의 궤적 상태까지 효율적으로 확장 가능하며 계산 시간 증가가 거의 없어 대규모 매핑 응용에 실용적임을 확인했다.