[논문 리뷰] Local Map Descriptor for Compressive Change Retrieval

Tanaka Kanji|arXiv (Cornell University)|2016. 03. 03.

Genomics and Phylogenetic Studies인용 수 3

한 줄 요약

이 논문은 로봇 맵핑에서 확장 가능한 압축적 변화 검출을 위한 압축된 바구니-오프-워드(BoW) 구조를 가진 국소 맵 서술자(LMD)를 제안한다. 시각적 특징의 외관과 공간 레이아웃을 직접 비교할 수 있도록, 장면 해석을 통해 안정적인 국소 맵 원점을 확보하는 시점 계획자(viewpoint planner)를 사용함으로써, 기존 BoW 방법에 비해 특히 루프 클로징 과제가 있는 비정적 환경에서 자기 위치 추정 및 변화 탐지 정확도를 크게 향상시킨다.

ABSTRACT

Change detection, i.e., anomaly detection from local maps built by a mobile robot at multiple different times, is a challenging problem to solve in practice. Most previous work either cannot be applied to scenarios where the size of the map collection is large, or simply assumed that the robot self-location is globally known. In this paper, we tackle the problem of simultaneous self-localization and change detection, by reformulating the problem as a map retrieval problem, and propose a local map descriptor with a compressed bag-of-words (BoW) structure as a scalable solution. We make the following contributions. (1) To enable a direct comparison of the spatial layout of visual features between different local maps, the origin of the local map coordinate (termed "viewpoint") is planned by scene parsing and determined by our "viewpoint planner" to be invariant against small variations in self-location and changes, aiming at providing similar viewpoints for similar scenes (i.e., the relevant map pair). (2) We extend the BoW model to enable the use of not only the appearance (e.g., polestar) but also the spatial layout (e.g., spatial pyramid) of visual features with respect to the planned viewpoint. The key observation is that the planned viewpoint (i.e., the origin of local map coordinate) acts as a pseudo viewpoint that is usually required by spatial BoW (e.g., SPM) and also by anomaly detection (e.g., NN-d, LOF). (3) Experimental results on a challenging "loop-closing" scenario show that the proposed method outperforms previous BoW methods in self-localization, and furthermore, that the use of both appearance and pose information in change detection produces better results than the use of either information alone.

연구 동기 및 목표

• 로봇의 자기 위치가 전역적으로 알려져 있지 않은 대규모 맵 컬렉션에서의 확장 가능한 변화 탐지 과제를 해결하기 위해.
• 지도 검색 작업으로 문제를 재정의하여 강건한 자기 위치 추정 및 변화 탐지 기능을 가능하게 하기 위해.
• 안정된 장면 해석된 시점에 기반해 특징의 외관과 공간 레이아웃을 모두 캡처하는 국소 맵 서술자를 개발하기 위해.
• 시점 변화 및 센서 노이즈에 대한 민감도를 최소화하여 변화 탐지의 임의의 양성 결과(false positives)를 줄이기 위해.
• 외관 정보와 자세 정보를 함께 사용할 경우, 각각을 별도로 사용할 때보다 더 효과적인 환경 변화 탐지 성능을 입증하기 위해.

제안 방법

• 시점 계획자는 장면 해석을 통해 각 국소 맵에 대해 작은 자기 위치 이동과 환경 변화에 영향을 받지 않는 안정적인 원점(시점)을 결정한다.
• 제안된 국소 맵 서술자(LMD)는 계획된 시점에 상대적인 공간 피라미드 구조를 사용하여 바구니-오프-워드 모델에 공간 레이아웃 정보를 통합함으로써 확장한다.
• 대규모 맵 컬렉션에서 효율적인 검색을 가능하게 하기 위해 압축된 BoW 표현을 사용한다.
• 이상 탐지에는 이웃 최근접 거리(NN-d)와 임계값이 설정된 이상성 점수를 사용하여 노이즈 또는 시점 변화와 진짜 변화를 구분한다.
• 방법은 레이저 데이터로부터 유도된 2차원 포인트셋 맵을 대상으로 평가되었으며, 장면 해석은 맨하탄 월드 문법 기반이다.
• 자기 위치 추정은 맵 수준 유사도를 기반으로 데이터베이스에서 가장 유사한 맵을 검색한 후, 상위 랭크된 맵에서 변화 탐지를 수행함으로써 달성된다.

실험 결과

연구 질문

• RQ1 장면 해석 기반의 시점 계획자가 국소 맵 원점을 안정화시켜, 다양한 로봇 자세 간의 시각적 특징을 직접 비교할 수 있는가?
• RQ2 바구니-오프-워드 모델에 공간 레이아웃 정보를 통합할 경우, 외관 정보만을 사용하는 기존 BoW 대비 변화 탐지 성능이 향상되는가?
• RQ3 자기 위치가 알려지지 않은 도전적인 루프 클로징 상황에서, 제안된 LMD 방법은 자기 위치 추정 및 변화 탐지에 얼마나 효과적인가?
• RQ4 외관 정보와 자세 정보를 함께 사용할 경우, 각각을 별도로 사용할 때보다 더 효과적으로 유의미한 환경 변화를 탐지할 수 있는가?
• RQ5 동적인 환경을 가진 대규모 국소 맵 컬렉션에 적용했을 때, 이 방법의 성능은 어떻게 스케일링되는가?

주요 결과

• 제안된 LMD 방법은 시점 변화 및 환경 변화에 대한 강건성 면에서 표준 BoW 방법보다 자기 위치 추정에서 뛰어난 성능을 보였다.
• LMD 서술자에서 외관과 공간 레이아웃 정보를 모두 사용할 경우, 각각을 별도로 사용할 때보다 변화 탐지 결과가 유의미하게 향상되었다.
• NN-d 이상 탐지의 최적 임계값은 1.0에서 3.0의 범위에 있었으며, 임의의 양성 결과와 빠짐을 균형 잡는 데 기여했다.
• 비정적 환경에서는 정적 환경에 비해 성능이 저하되었으며, 새로운 물체가 나타날 경우 변화 탐지의 어려움을 반영했다.
• 시점 계획자가 유사한 장면에 대해 일관된 시점을 생성하여 사전 정렬 없이도 신뢰할 수 있는 맵 비교를 가능케 하였다.
• 여덟 개의 서술자에서 평균 25.1개의 검색 수(Average Number of Retrievals, ANR)를 기록하였으며, 성능 차이가 미미한 관계로 단순성과 위해 descriptor #1(polestar)를 선택하였다.