[논문 리뷰] Learning Continuous Environment Fields via Implicit Functions

Xueting Li, Shalini De Mello외 4명|arXiv (Cornell University)|2021. 11. 27.

Human Pose and Action Recognition참고 문헌 49인용 수 5

한 줄 요약

이 논문은 신경 암시 함수를 사용하여 도달 거리(어느 장면 내 점에서 목표까지의 가능한 최단 경로 길이)를 인코딩하는 연속적인 환경 필드 표현을 제안한다. 이 방법은 이산적으로 샘플된 데이터로부터 이 필드를 학습하여 2D 미로와 3D 실내 환경에서 효율적이고 기울기 기반의 내비게이션을 가능하게 하며, RRT나 PRM과 같은 샘플링 기반 방법에 비해 더 높은 경로 정확도와 효율성을 확보한다.

ABSTRACT

We propose a novel scene representation that encodes reaching distance -- the distance between any position in the scene to a goal along a feasible trajectory. We demonstrate that this environment field representation can directly guide the dynamic behaviors of agents in 2D mazes or 3D indoor scenes. Our environment field is a continuous representation and learned via a neural implicit function using discretely sampled training data. We showcase its application for agent navigation in 2D mazes, and human trajectory prediction in 3D indoor environments. To produce physically plausible and natural trajectories for humans, we additionally learn a generative model that predicts regions where humans commonly appear, and enforce the environment field to be defined within such regions. Extensive experiments demonstrate that the proposed method can generate both feasible and plausible trajectories efficiently and accurately.

연구 동기 및 목표

• 분리된 강화학습 훈련이 필요 없이 직접 에이전트 행동을 이끄는 동적 장면 표현을 개발하기 위해.
• 오직 이산적 지도 정보만으로 2D 및 3D 환경에서 조밀하고 연속적인 도달 거리 필드를 학습하는 도전 과제를 해결하기 위해.
• 장면의 타당성과 가능성을 통합하여 내비게이션과 인간 운동 모델링을 위한 경로 생성을 향상시키기 위해.
• 반복적 검색 알고리즘 대신 신속한 신경망 추론을 통해 실시간 경로 최적화를 가능하게 하기 위해.
• 물리적으로 타당하고 충돌 없으며 지지 구조를 고려한 3D 실내 환경에서의 인간 운동을 모델링하기 위해.

제안 방법

• 모든 2D 또는 3D 장면 좌표를 목표까지의 도달 거리로 매핑하는 연속적인 환경 필드를 학습하기 위해 신경 암시 함수를 활용한다.
• 완전한 조밀한 지도 정보가 필요 없도록, (위치, 도달 거리)의 이산적 샘플 쌍을 사용하여 암시 네트워크를 훈련시킨다.
• 도달 거리를 최소화하면서 목표 향해 에이전트 또는 인간의 경로를 반복적으로 최적화하기 위해 암시 필드에서 경사 하강법을 사용한다.
• 가능한 인간이 점유할 수 있는 영역(인간이 실제로 점유할 수 있는 영역)을 환경 필드에 통합하기 위해 변동형 오토인코더(Variational Autoencoder, VAE)를 사용하여 행동의 타당성을 강제한다.
• 자세에 따라 조건부 경로 탐색을 적용하여 인간 신체 자세를 기반으로 환경 필드를 조절함으로써 지지 및 충돌 회피를 보장한다.
• 내비게이션 및 운동 예측을 위한 환경 필드와 가능 영역이 함께 최적화되는 엔드 투 엔드 훈련을 가능하게 한다.

실험 결과

연구 질문

• RQ1 희소 지도 정보로부터 연속적이고 미분 가능한 환경 필드를 학습하여 2D 및 3D 장면에서 에이전트 내비게이션을 이끌 수 있는가?
• RQ2 완전한 참값 거리 애너테이션을 요구하지 않고도 신경 암시 함수가 조밀한 도달 거리 필드를 효과적으로 표현할 수 있는가?
• RQ3 물리적 제약 조건을 존중하면서 환경 필드를 3D 실내 환경에서 인간의 타당한 운동 경로를 모델링하는 데 확장할 수 있는가?
• RQ4 VAE를 통해 학습된 가능 영역이 예측된 인간 경로의 현실성과 실현 가능성에 어떻게 기여하는가?
• RQ5 전통적인 샘플링 기반 경로 계획(예: RRT, PRM)에 비해 제안된 방법이 효율성과 경로 품질 측면에서 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 PROX 데이터셋에서 평균 목표까지의 거리가 0.015를 기록하여 RRT(0.127)와 PRM(0.139)보다 경로 정확도에서 뛰어나다.
• 경로 탐색 평균 시간이 약 0.028초(기능 없음) 및 0.038초(기능 있음)로, PRM(1.310초)와 RRT(0.153초)보다 훨씬 빠르게 감소하였다.
• 기능 모델링을 통한 결과, 75.32%의 유효한 자세(지지 및 충돌 방지)를 기록하여 PROX 데이터셋에서 HMP(65.00%)를 초월하였다.
• 모델은 장기 예측(최대 8초 또는 120 프레임)의 인간 경로를 장애물을 피하고 물리적으로 타당한 방식으로 성공적으로 예측하였다.
• 환경 필드 덕분에 내비게이션을 위한 효율적인 기울기 기반 최적화가 가능해졌으며, 새로운 목표가 생길 때마다 반복적인 경로 계획이 필요 없어졌다.
• 정성적 결과에서는 경로가 비현실적인 영역(예: 책상 아래)을 피하고 자연스러운 인간 운동 패턴을 따르는 것으로 나타났으며, 특히 가능 영역이 통합된 경우 더욱 두드러졌다.