[논문 리뷰] SLAM-Safe Planner: Preventing Monocular SLAM Failure using Reinforcement Learning.

Vignesh Prasad, Saurabh Singh외 3명|arXiv (Cornell University)|2016. 07. 26.

Robotics and Sensor-Based Localization참고 문헌 19인용 수 3

한 줄 요약

이 논문은 단일 카메라 SLAM 실패를 방지하기 위해 안전한 카메라 운동 정책을 학습하는 강화학습(RL) 기반 플래너인 SLAM-Safe Planner를 제안한다. 시각적 입력과 운동 행동을 기반으로 훈련함으로써, RL 에이전트는 SLAM의 강건성을 유지하는 트랙토리를 생성하며, 기준 방법에 비해 시뮬레이션에서 지도 품질과 트랙토리 정확도를 크게 향상시킨다.

ABSTRACT

Effective SLAM using a single monocular camera is highly preferred due to its simplicity. However, when compared to trajectory planning methods using depth-based SLAM, Monocular SLAM in loop does need additional considerations. One main reason being that for the optimization, in the form of Bundle Adjustment (BA), to be robust, the SLAM system needs to scan the area for a reasonable duration. Most monocular SLAM systems do not tolerate large camera rotations between successive views and tend to breakdown. Other reasons for Monocular SLAM failure include ambiguities in decomposition of the Essential Matrix, feature-sparse scenes and more layers of non linear optimization apart from BA. This paper presents a novel formulation based on Reinforcement Learning (RL) that generates fail safe trajectories wherein the SLAM generated outputs (scene structure and camera motion) do not deviate largely from their true values. Quintessentially, the RL framework successfully learns the otherwise complex relation between motor actions and perceptual inputs that result in trajectories that do not cause failure of SLAM, which are almost intractable to capture in an obvious mathematical formulation. We show systematically in simulations how the quality of the SLAM map and trajectory dramatically improves when trajectories are computed by using RL.

연구 동기 및 목표

• 큰 카메라 회전과 특징이 희박한 조건에서 단일 카메라 SLAM의 불안정성을 해결하기 위해.
• _bundle adjustment 초기화의 열악함과 모호한 기본 행렬 분해로 인한 SLAM 실패를 줄이기 위해.
• 실패 조건의 명시적 수학적 표현에 의존하지 않고도 인지 일관성과 SLAM 강건성을 보장하는 트랙토리 플래너를 개발하기 위해.
• 학습된 안전한 운동 정책을 통해 루프 클로징 시나리오에서 단일 카메라 SLAM의 신뢰성을 향상시키기 위해.

제안 방법

• 트랙토리 플래닝을 안전한 카메라 운동 정책을 학습하는 강화학습 문제로 공식화한다.
• RL 에이전트는 시각적 입력(예: 시각적 특징, 운동 추정치)을 수신하고 SLAM 오차를 최소화하기 위해 행동(카메라 운동 명령)을 선택한다.
• 보상 함수는 지도 진실값에서의 SLAM 출력(구조 및 운동)의 큰 이탈을 방지하기 위해 설계되어 안정성을 촉진한다.
• 희박한 특징과 큰 회전을 포함한 어려운 단일 카메라 SLAM 조건을 가진 환경을 사용해 시뮬레이션에서 프레임워크를 훈련한다.
• 딥 RL 알고리즘을 사용해 시각적 관측치를 SLAM 무결성을 유지하는 행동으로 매핑하는 정책을 최적화한다.
• 실패 신호를 보상 함수에 통합함으로써 SLAM 실패 모드를 명시적으로 모델링하지 않아도 된다.

실험 결과

연구 질문

• RQ1 강화학습 에이전트는 복잡한 환경에서 단일 카메라 SLAM 실패를 방지하는 트랙토리를 학습할 수 있는가?
• RQ2 기존의 트랙토리 플래너와 비교해 RL 기반 플래너는 SLAM 정확도와 강건성을 얼마나 잘 유지하는가?
• RQ3 명시적인 실패 모델링 없이도 RL은 카메라 운동과 SLAM 강건성 간의 암묵적 관계를 어느 정도 학습할 수 있는가?
• RQ4 RL 정책은 시뮬레이션에서 다양한 장면 구조와 운동 프로파일 간에 일반화되는가?

주요 결과

• SLAM-Safe Planner는 시뮬레이션에서 재구성된 장면의 구조와 카메라 트랙토리 품질을 크게 향상시킨다.
• RL 플래너가 생성한 트랙토리는 특히 큰 회전과 특징이 희박한 조건에서 기준 방법에 비해 더 낮은 SLAM 오차를 보인다.
• 실패 메커니즘을 명시적으로 모델링하지 않더라도, RL 에이전트는 SLAM 실패를 유발하는 카메라 운동을 피하는 것을 성공적으로 학습한다.
• 실패 유발 요인인 모호한 기본 행렬 분해와 열악한 bundle adjustment 수렴 문제에 대해 안전한 운동 패tern을 학습함으로써 강건성을 확보한다.
• 지도 품질 향상은 정량적으로 측정 가능하며, 드리프트 감소와 더 일관된 구조 추정치 향상으로 나타난다.