[논문 리뷰] Perception-aware Path Planning

Gabriele Costante, Christian Förster외 3명|arXiv (Cornell University)|2016. 05. 13.

Robotic Path Planning Algorithms인용 수 37

한 줄 요약

이 논문은 시각 기반 로봇의 국소화 불확실성을 최소화하기 위해 광학적(질감) 및 기하학적 환경 정보를 통합하는 인지 인식 경로 계획 프레임워크를 제안한다. 이미지 강도에서 피셔 정보를 계산하기 위해 밀도 있는 직접 방법을 사용하고, 불확실성 인식 경로 최적화를 갖춘 RRT*를 확장함으로써, 기존 RRT* 대비 국소화 불확실성을 최대 10배까지 감소시켜 실제 및 시뮬레이션 환경에서 더 안전하고 정확한 주행을 가능하게 한다.

ABSTRACT

In this paper, we give a double twist to the problem of planning under uncertainty. State-of-the-art planners seek to minimize the localization uncertainty by only considering the geometric structure of the scene. In this paper, we argue that motion planning for vision-controlled robots should be perception aware in that the robot should also favor texture-rich areas to minimize the localization uncertainty during a goal-reaching task. Thus, we describe how to optimally incorporate the photometric information (i.e., texture) of the scene, in addition to the the geometric one, to compute the uncertainty of vision-based localization during path planning. To avoid the caveats of feature-based localization systems (i.e., dependence on feature type and user-defined thresholds), we use dense, direct methods. This allows us to compute the localization uncertainty directly from the intensity values of every pixel in the image. We also describe how to compute trajectories online, considering also scenarios with no prior knowledge about the map. The proposed framework is general and can easily be adapted to different robotic platforms and scenarios. The effectiveness of our approach is demonstrated with extensive experiments in both simulated and real-world environments using a vision-controlled micro aerial vehicle.

연구 동기 및 목표

• 최신 기술의 계획자들이 기하학적 환경 구조만 고려하고 광학적(질감) 정보를 忽시하는 한계를 해결한다. 이는 시각 기반 국로화에 핵심적인 정보이다.
• 국소화 불확실성을 최소화하기 위해 기하학적 및 광학적 환경 특징을 최적으로 통합하는 프레임워크를 개발한다.
• 특징 기반 국로화의 단점을 극복하기 위해 이미지 강도 값에서 직접 불확실성을 계산하는 밀도 있고 직접적인 방법을 사용한다.
• 사전 지도 지식이 없는 상황에서도 온라인에서 경로를 적응시킬 수 있도록 한다. 새로운 질감이 있거나 장애물이 있는 영역을 발견할 때마다 계획을 업데이트한다.
• 실제 및 시뮬레이션 환경에서 시각 제어 마이크로 항공기(MAV)를 사용하여 프레임워크의 효과성을 입증한다.

제안 방법

• 픽셀 강도 값에서 직접 피셔 정보 행렬을 계산하기 위해 밀도 있는 직접 시각 오도메트리 방법을 사용하여 특징 검출기나 임계값 의존도를 줄인다.
• 리 군 기반 상태 전파를 적용하여 상태 공간에서 최대 4차까지 국소화 불확실성을 근사함으로써 정확한 불확실성 추정을 가능하게 한다.
• RRT* 알고리즘을 확장하여 예측된 3차원 구조와 광학적 콘텐츠를 기반으로 예상 자세 불확실성을 최소화하는 인지 인식 비용 함수를 포함한다.
• 온라인 지ap 업데이트를 통합한다: 로봇이 탐색을 진행함에 따라 새로운 장애물과 질감 영역이 탐지되고, 더 높은 시각 정보를 가진 영역을 선호하는 경로가 재계획된다.
• 열화상도와 공분산 타원을 사용하여 인지 인식 계획자와 표준 계획자 간의 성능을 비교한다.
• 실험 간 불확실성 변화를 정량적으로 비교하기 위해 각 시나리오당 15회의 시험에서 궤적 길이를 정규화하고 평균 및 95% 신뢰구간을 사용한다.

실험 결과

연구 질문

• RQ1 광학적(질감) 정보를 어떻게 효과적으로 경로 계획에 통합하여 시각 기반 로봇의 국소화 불확실성을 줄일 수 있는가?
• RQ2 밀도 있고 직접적인 방법이 온라인 경로 계획의 불확실성 추정에서 특징 기반 접근보다 우월한가?
• RQ3 기하학뿐 아니라 질감까지 고려할 경우, 기하학 전용 계획자 대비 자세 추정 정확도는 얼마나 향상되는가?
• RQ4 사전 지도 지식이 없을 때 인지 인식 경로는 어떻게 실시간으로 계산하고 업데이트할 수 있는가?
• RQ5 복잡한 환경에서 표준 RRT* 대비 인지 인식 계획을 사용할 경우 국소화 불확실성은 얼마나 정량적으로 향상되는가?

주요 결과

• 실제 및 시뮬레이션 실험 모두에서 인지 인식 계획자는 공분산 행렬의 트레이스로 측정된 자세 불확실성을 표준 RRT* 대비 최대 10배까지 감소시켰다.
• 미로 및 주방 시뮬레이션에서 RRT*와 인지 인식 계획자 간 평균 궤적 지속 시간은 거의 동일했다(718초 대비 715초 및 578초 대비 580초). 이는 향상이 속도가 아닌 정확도에서 비롯된 것임을 시사한다.
• 유사한 웨이포인트 위치를 가졌음에도 불구하고, 인지 인식 계획자는 최적화된 요 각도 덕분에 훨씬 작은 공분산 타원을 달성했다. 이는 시각 정보 수확을 극대화하기 위함이었다.
• 실제 실험 결과는 인지 인식 계획자가 훨씬 낮은 국소화 불확실성의 궤적을 생성했음을 확인했으며, 악화된 자세 추정으로 인한 주행 실패 위험을 줄였다.
• 정규화된 불확실성 변화도에서 95% 신뢰구간은 시뮬레이션 환경 전반에서 15회의 시행 동안 일관되고 통계적으로 유의미한 향상을 보였다.
• 프레임워크는 성공적으로 온라인 재계획을 가능하게 했다: 새로운 질감 영역이나 장애물이 탐지될 때마다 경로가 더 높은 광학 정보 함량을 가진 영역을 선호하도록 업데이트되어 장기적인 국소화 신뢰성을 향상시켰다.