[논문 리뷰] Robust global localization using clustered particle filtering

Adam B. Milstein, Javier Sánchez외 1명|arXiv (Cornell University)|2002. 07. 28.

Robotics and Sensor-Based Localization참고 문헌 14인용 수 80

한 줄 요약

이 논문은 표준 몬테카를로 국소화(MCL)가 샘플 빈곤 현상으로 인해 실패하는 고도로 대칭적인 환경에서의 글로벌 국소화를 향상하기 위해 군집화된 입자 필터링 접근법을 제안한다. 입자를 군집으로 묶고, 군집의 확률 질량을 기반으로 제안 분포를 조정하여, 다양하고 대표적인 샘플을 유지함으로써 기존 MCL이 실패하는 상황에서도 강력한 국소화를 달성한다.

ABSTRACT

Global mobile robot localization is the problem of determining a robot's pose in an environment, using sensor data, when the starting position is unknown. A family of probabilistic algorithms known as Monte Carlo Localization (MCL) is currently among the most popular methods for solving this problem. MCL algorithms represent a robot's belief by a set of weighted samples, which approximate the posterior probability of where the robot is located by using a Bayesian formulation of the localization problem. This article presents an extension to the MCL algorithm, which addresses its problems when localizing in highly symmetrical environments; a situation where MCL is often unable to correctly track equally probable poses for the robot. The problem arises from the fact that sample sets in MCL often become impoverished, when samples are generated according to their posterior likelihood. Our approach incorporates the idea of clusters of samples and modifies the proposal distribution considering the probability mass of those clusters. Experimental results are presented that show that this new extension to the MCL algorithm successfully localizes in symmetric environments where ordinary MCL often fails.

연구 동기 및 목표

• 표준 몬테카를로 국소화(MCL)가 샘플 빈곤 현상으로 인해 고도로 대칭적인 환경에서 실패하는 문제를 해결하기 위해.
• 환경의 높은 대칭성에도 불구하고 대표적인 입자 집합을 유지함으로써 글로벌 국소화의 강건성을 향상시키기 위해.
• 군집의 확률 질량을 활용하여 입자 생성을 더 효과적으로 이끌 수 있는 제안 분포를 개발하기 위해.
• 여러 개의 동일하게 가능성 있는 로봇 자세가 존재할 경우에도 일관되고 정확한 자세 추정을 보장하기 위해.

제안 방법

• 유사한 자세를 그룹화하는 입자 군집화를 도입하여 입자 집합 내의 중복을 줄인다.
• 군집의 확률 질량을 각 군집 내 입자들의 가중치 합으로 정의함으로써 믿음 밀도를 더 잘 표현할 수 있도록 한다.
• 확률 질량이 높은 군집을 우선적으로 선택하도록 제안 분포를 수정함으로써 샘플 효율성을 향상시킨다.
• 개별 입자 확률 밀도가 아닌 군집의 가능성에 기반하여 입자를 재표본화함으로써 다양성을 강화하고 빈곤 현상을 줄인다.
• 고정된 수의 군집을 유지하면서 국소화 과정 중에 동적으로 군집을 갱신한다.
• 표준 MCL 프레임워크에 군집 기반 가중치를 통합하여 베이지안 추론 원칙을 유지한다.

실험 결과

연구 질문

• RQ1 입자 집합을 군집화하면 대칭적인 환경에서 몬테카를로 국소화의 강건성을 향상시킬 수 있는가?
• RQ2 군집 기반 제안 분포는 샘플의 다양성과 국소화 정확도에 어떤 영향을 미치는가?
• RQ3 기존 MCL에 비해 이 방법은 샘플 빈곤 현상을 어느 정도 감소시키는가?
• RQ4 이 방법은 대칭적인 레이아웃에서 동일하게 가능성 있는 다수의 로봇 자세를 신뢰성 있게 추적할 수 있는가?

주요 결과

• 제안된 방법은 표준 MCL이 샘플 빈곤 현상으로 인해 실패하는 고도로 대칭적인 환경에서 로봇의 국소화를 성공적으로 수행한다.
• 군집의 확률 질량을 사용함으로써 알고리즘은 국소화 과정 전반에 걸쳐 다양하고 대표적인 입자 집합을 유지한다.
• 군집 기반 제안 분포는 대칭적인 상황에서 수렴성과 안정성을 크게 향상시킨다.
• 실험 결과는 다수의 자세가 동일하게 가능성 있는 경우에도 이 방법이 정확한 국소화를 달성함을 보여준다.