[논문 리뷰] Simultaneous View and Feature Selection for Collaborative Multi-Robot Perception

Brian Reily, Hao Zhang|arXiv (Cornell University)|2020. 12. 17.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

이 논문은 다중로봇 인식에서 시야 및 특징 선택을 동시에 수행하는 통합 정규화 최적화 프레임워크를 제안한다. 희박성 유도 노름을 사용하여 가장 대표적인 로봇과 분류 능력이 뛰어난 센서 모odalities를 식별한다. 이 방법은 새로운 수렴성 보장이 있는 반복적 해법을 통해 정확한 물체 인식과 효율적인 로봇 작업 할당을 달성하며, 시뮬레이션과 실제 로봇 시스템에서 검증되었다.

ABSTRACT

Collaborative multi-robot perception provides multiple views of an environment, offering varying perspectives to collaboratively understand the environment even when individual robots have poor points of view or when occlusions are caused by obstacles. These multiple observations must be intelligently fused for accurate recognition, and relevant observations need to be selected in order to allow unnecessary robots to continue on to observe other targets. This research problem has not been well studied in the literature yet. In this paper, we propose a novel approach to collaborative multi-robot perception that simultaneously integrates view selection, feature selection, and object recognition into a unified regularized optimization formulation, which uses sparsity-inducing norms to identify the robots with the most representative views and the modalities with the most discriminative features. As our optimization formulation is hard to solve due to the introduced non-smooth norms, we implement a new iterative optimization algorithm, which is guaranteed to converge to the optimal solution. We evaluate our approach through a case-study in simulation and on a physical multi-robot system. Experimental results demonstrate that our approach enables effective collaborative perception through accurate object recognition and effective view and feature selection.

연구 동기 및 목표

• 시야 및 특징 선택이 별개로 다뤄지는 협업형 다중로봇 인식 분야의 격차를 해소하기 위해.
• 다중 시야 물체 인식, 시야 선택, 특징 선택을 하나의 프레임워크로 통합하는 통합 최적화 공식을 개발하기 위해.
• 어느 로봇이 가장 정보적인 시야를 제공하는지, 어느 센서 모달리티가 가장 분류 능력이 뛰어난지 식별함으로써 지능적인 로봇 협업을 가능하게 하기 위해.
• 구조적 희박성 정규화에서 발생하는 비미분 가능하고 비볼록 최적화 문제를 해결하기 위한 수렴 보장이 있는 반복 알고리즘을 설계하기 위해.
• 정확성과 내구성을 확보하기 위해 고해상도 시뮬레이션과 실제 다중로봇 실험을 통해 접근 방법을 검증하기 위해.

제안 방법

• 이 방법은 구조적 희박성 유도 노름을 사용하여 핵심 로봇과 특징을 선택하도록 정규화된 최적화 문제로 협업적 인식을 공식화한다.
• 로봇 가중치에 l1-노름과 특징 모달리티에 혼합 노름(그룹 라소 유사)을 사용하여 희박성 유도 및 대표적 시야와 모달리티 선택을 유도한다.
• 데이터 적합성(재구성 오차)과 정규화를 조합하여 시야 및 특징 선택에서 정확성과 희박성의 균형을 맞춘다.
• 새로운 반복 알고리즘을 제안하며, 보조 목표 함수의 연속 최소화를 통해 이론적으로 최적 해에 수렴함을 증명한다.
• 정규화 항에서 유도된 프록시 연산자를 사용하여 반복적으로 로봇 가중치와 특징 모달리티를 갱신한다.
• 목표 함수의 단조 감소를 보장하는 블록좌표강하 방식으로 구현되어 매 반복 단계에서 수렴성이 확보된다.

실험 결과

연구 질문

• RQ1 통합 최적화 프레임워크는 협업적 물체 인식을 위해 가장 정보적인 로봇 시야와 가장 분류 능력이 뛰어난 센서 특징을 동시에 선택할 수 있는가?
• RQ2 정규화를 통한 구조적 희박성은 재현성 떨어지는 관측이나 가림을 줄이며 정확도를 향상시키는 데 어떤 영향을 미치는가?
• RQ3 동시 시야 및 특징 선택은 다중로봇 시스템에서 로봇 작업 할당과 시스템 효율성에 어떤 영향을 미치는가?
• RQ4 비미분 가능하고 비볼록 최적화 문제에 대해 이론적 수렴 보장을 가진 새로운 반복적 해법을 설계할 수 있는가?
• RQ5 독립적인 시야 및 특징 선택 대비 성능과 계산 효율성 측면에서 제안된 방법은 어떻게 비교되는가?

주요 결과

• 제안된 방법은 가장 정보적인 로봇 시야와 분류 능력이 뛰어난 센서 모달리티만 선택함으로써 높은 물체 인식 정확도를 달성한다.
• 반복적 해법은 이론적으로 최적 해에 수렴하며, 매 반복 단계에서 목표 함수가 단조 감소함을 입증하였다.
• 시뮬레이션 실험 결과, 기준 방법 대비 높은 인식 정확도를 확보하면서도 활성화된 로봇 수를 줄였다.
• 실제 다중로봇 시스템에서, 프레임워크는 핵심 로봇과 모달리티를 성공적으로 식별하여 가림이 발생하는 상황에서도 효과적인 인식을 가능하게 하였다.
• 구조적 희박성 유도 노름의 사용은 선택 성능을 크게 향상시켜 중복되거나 저품질 관측에 대한 의존도를 감소시켰다.
• 이 방법은 동적 로봇 재할당을 가능하게 하여, 대표성이 떨어지는 시야를 제공하는 로봇들이 새로운 목표를 관측하도록 재지정될 수 있도록 하였다.