[논문 리뷰] Spatiotemporal Articulated Models for Dynamic SLAM

Suren Kumar, Vikas Dhiman외 2명|arXiv (Cornell University)|2016. 04. 12.

Robotics and Sensor-Based Localization참고 문헌 31인용 수 9

한 줄 요약

이 논문은 동적 환경에서 최소한의 특징 트랙으로부터 조인트 구조(예: 구속 또는 슬라이딩 조인트)와 시간적 운동 예측을 동시에 학습하는 온라인 공간-시간 관절 운동 추정 프레임워크를 제안한다. SE(3)의 저차원 부분공간 내에서 운동을 모델링하고 향후 운동을 예측함으로써, 이 방법은 동적 SLAM에서 로봇의 정위치 및 맵핑 성능을 향상시키며, 표준 EKF SLAM 대비 시뮬레이션에서 궤적 오차를 80% 감소시키고, 실제 도어 및 냉장고 실험에서 뛰어난 강인성을 입증한다.

ABSTRACT

We propose an online spatiotemporal articulation model estimation framework that estimates both articulated structure as well as a temporal prediction model solely using passive observations. The resulting model can predict future mo- tions of an articulated object with high confidence because of the spatial and temporal structure. We demonstrate the effectiveness of the predictive model by incorporating it within a standard simultaneous localization and mapping (SLAM) pipeline for mapping and robot localization in previously unexplored dynamic environments. Our method is able to localize the robot and map a dynamic scene by explaining the observed motion in the world. We demonstrate the effectiveness of the proposed framework for both simulated and real-world dynamic environments.

연구 동기 및 목표

• 표준 SLAM이 운동을 노이즈로 간주하는 동적 환경에서의 한계를 해결하기 위해.
• 실시간으로 몇 개의 특징 트랙만으로도 관절 운동 구조(예: 구속, 슬라이딩 조인트)를 추정하기 위해.
• 추정된 운동 부분공간 내에서 운동 파라미터의 시간 예측 모델을 구축하여 SLAM 성능을 향상시키기 위해.
• 표준 SLAM 파이프라인에 관절 운동 모델링을 통합하여 복잡한 동적 환경에서도 정확한 정위치 및 맵핑을 가능하게 하기 위해.

제안 방법

• 이 방법은 먼저 최소 제곱법을 사용하여 3차원 특징 트랙에 평면과 원(구속 조인트의 경우) 또는 직선(슬라이딩 조인트의 경우)을 피팅함으로써 SE(3) 내에서 운동 부분공간을 식별함으로써 관절 구조를 추정한다.
• 구속 조인트의 경우, 운동은 평면 내 원운동을 중심으로 한 각도 φₜ로 매개변수화되며, 점군 투영으로부터 중심, 반지름, 법선 벡터를 추정한다.
• 슬라이딩 조인트의 경우, 운동은 방향 벡터를 따라 선형 이동으로 모델링되며, 시간에 따라 변하는 길이 lₜ가 운동 파라미터로 사용된다.
• 운동 연속성을 고려하여 운동 파라미터(예: φₜ)의 시간 진화를 모델링함으로써 향후 상태를 예측하는 시간 예측 모델을 구축한다.
• 구조 및 시간 모델링을 초기화하기 위해 최소 7개의 특징 트랙 샘플이 필요하며, 이는 단일 랜드마크로부터의 추정도 가능하게 한다.
• 관절 운동 모델은 EKF 기반 SLAM 파이프라인에 통합되어 정적 랜드마크 가정을 동적이고 구조적인 운동 모델로 대체한다.

실험 결과

연구 질문

• RQ1 제한된 관측 조건에서도 단일 특징 트랙으로부터 실시간으로 관절 운동 구조를 추정할 수 있는가?
• RQ2 운동 파라미터의 시간 연속성을 어떻게 모델링하여 관절 물체의 향후 운동을 예측할 수 있는가?
• RQ3 공간-시간 관절 운동 모델링이 표준 SLAM이 실패하는 동적 환경에서 로봇의 정위치 정확도를 향상시킬 수 있는가?
• RQ4 관절 운동을 통합함으로써 정위치 오차는 표준 SLAM 또는 동적 SLAM 변종 대비 얼마나 감소하는가?
• RQ5 제안된 방법이 도어 및 냉장고와 같은 복잡한 관절 물체를 포함한 실제 동적 환경에 일반화될 수 있는가?

주요 결과

• 제안된 A-SLAM 프레임워크는 시뮬레이션에서 절대 궤적 오차(Absolute Trajectory Error, ATE)를 0.014로 감소시켰으며, EKF SLAM(0.071)과 동적 SLAM(0.049)에 비해 뚜렷한 향상이 있었다.
• 相대 자세 오차(Relative Pose Error, RPE)는 시뮬레이션에서 0.003으로 감소하여 운동 추정 및 정위치의 높은 정밀도를 입증했다.
• 냉장고 문을 포함한 실제 실험에서 A-SLAM은 ATE 0.123, RPE 0.137을 기록했으며, 비정적 랜드마크가 존재하는 상황에서도 EKF SLAM(ATE: 0.059, RPE: 0.073)을 능가하는 성능을 보였다.
• 그림 8에 시각화된 바와 같이, 단지 특징 트랙의 궤적만으로도 구속 조인트의 축을 성공적으로 추정하여 실제 환경에서의 강인성을 확인했다.
• 최소한의 데이터로도 슬라이딩 조인트의 운동 부분공간을 정확히 식별하여, 관절 유형을 구분할 수 있는 능력을 입증했다.
• 최대 우도 기반의 모델 선택 알고리즘이 단순 최대 가능도 선택보다 우수했으며, 슬라이딩 조인트 실험에서 13프레임에서의 실패를 방지했다.