[논문 리뷰] Planning Paths Through Unknown Space by Imagining What Lies Therein

Yutao Han, Jacopo Banfi외 1명|arXiv (Cornell University)|2020. 11. 14.

Robotics and Sensor-Based Localization참고 문헌 25인용 수 5

한 줄 요약

이 논문은 부분적인 포인트 클라우드 지ap의 가림 영역에서 의미적 레이블을 유추하기 위해 GAN 기반 이미지 복원 기법을 사용하는 새로운 경로 계획 프레임워크를 제안한다. 이는 로봇이 알려지지 않은 도시 환경에서 장애물을 예측하고 더 효율적인 경로를 계획할 수 있도록 한다. 단일 센서 스캔에서 정보가 풍부한 장애물 지ap을 생성함으로써, 기존의 낙관적 기반 계획 방식 대비 경로 길이, 재계획 빈도, 실패한 경로 탐색 횟수를 최대 50% 감소시킨다.

ABSTRACT

This paper presents a novel framework for planning paths in maps containing unknown spaces, such as from occlusions. Our approach takes as input a semantically-annotated point cloud, and leverages an image inpainting neural network to generate a reasonable model of unknown space as free or occupied. Our validation campaign shows that it is possible to greatly increase the performance of standard pathfinding algorithms which adopt the general optimistic assumption of treating unknown space as free.

연구 동기 및 목표

• 센서 한계로 인해 가림되거나 알 수 없는 영역이 있는 실외 도시 환경에서의 경로 계획 과제를 해결하기 위해.
• 모든 알 수 없는 셀을 자유 공간으로 간주하는 표준 낙관적 가정이 반복적인 재계획 및 경로 실패를 유도한다는 점을 개선하기 위해.
• 인간과 유사한 예측 능력을 갖춘 의미적 맥락을 활용해 볼 수 없는 영역에 대해 로봇이 추론할 수 있도록 하기 위해.
• 부분적인 센서 입력으로부터 더 정보가 풍부한 장애물 지도를 생성하는 데이터 기반 프레임워크를 개발하기 위해.
• 이미지 복원 기법이 복잡하고 가림이 많은 환경에서 경로 길이, 재계획 빈도, 실패한 경로 탐색 횟수를 어떻게 감소시키는지 검증하기 위해.

제안 방법

• 단일 라이다 스캔 또는 스테레오 이미지 쌍에서 의미적으로 주석이 달린 포인트 클라우드를 입력으로 취한다.
• 포인트 클라우드를 새롭게 시야(鳥瞰視, BEV) 표현으로 투영하여 빈도가 없는(알 수 없는) 영역이 포함된 2차원 점유 지도를 생성한다.
• GAN 기반 이미지 복원 네트워크를 적용하여 알 수 없는 픽셀의 의미적 레이블을 예측함으로써 더 완전하고 타당한 장애물 지도를 생성한다.
• 복원된 지도를 장애물 지도로 변환한다(자유 공간 = 흰색, 장애물 = 검은색)하여 표준 경로 탐색 알고리즘에 활용한다.
• A*와 같은 전통적 계획 알고리즘과 통합되어, 온라인 탐색 이전에 복원된 지도를 기반으로 경로 선택을 안내한다.
• 이미지 복원 네트워크를 훈련시키기 위해 의미 주석과 가림이 포함된 실외 도시 환경의 고유 데이터셋을 구축한다.

실험 결과

연구 질문

• RQ1 이미지 복원 기법이 부분 지도의 가림 영역에서 타당한 의미적 레이아웃을 효과적으로 추론하는 데 사용될 수 있는가?
• RQ2 알 수 없는 영역을 자유 공간으로 간주하는 표준 낙관적 가정 대비 복원된 지도를 사용했을 때 경로 효율성과 재계획 빈도는 어떻게 달라지는가?
• RQ3 예상치 못한 장애물을 만났을 때 계획기가 재계획해야 하는 횟수는 얼마나 줄어드는가?
• RQ4 장면의 복잡성과 가림 밀도가 높아질수록 이미지 복원 기반 접근의 성능 향상은 어떻게 증가하는가?
• RQ5 배경 클래스(예: 건물) 뒤의 장애물을 예측할 수 있는가? 이는 탐색의 예측 능력을 향상시키는가?

주요 결과

• 중간 및 어려운 시나리오에서 복원된 지도를 사용했을 때 경로 단계 수가 낙관적 기반 대비 20~30% 감소했으며, 특히 가림이 많은 환경에서 가장 큰 성과를 보였다.
• 복원된 지도를 사용했을 때 재계획 횟수는 최대 30% 감소했으며, 특히 무작위 시작 위치와 복잡한 시나리오에서 두드러졌다.
• 가장 어려운 시나리오(이미지 285)에서 경로가 존재하지 않는다는 것을 발견하기 전까지의 재계획 횟수는 기반 기준 42.6회였지만, 복원 기반은 40.7회로, 경로 불가능성 조기에 탐지하는 데서 성능 향상을 보였다.
• 간단한 시나리오(이미지 45)에서는 최소한의 가림이 있었기 때문에 기반 기준이 약간 더 우수했으며, 이는 복원 기반 방법의 가치가 복잡성 증가에 따라 커진다는 것을 확인한다.
• 시각적 비교에서 복원된 지도가 벽으로 메운 갭을 피함으로써, 로봇이 돌아가거나 사각지대에 들어가는 횟수를 크게 줄였다.
• большин의 시험에서 복원 기반 방법은 지상 진실 최단 경로의 10~20% 이내의 경로 길이를 달성하여, 도전적인 상황에서도 뛰어난 성능을 보였다.