[논문 리뷰] The Revisiting Problem in Mobile Robot Map Building: A Hierarchical Bayesian Approach

Benjamin Stewart, Jonathan Ko외 2명|arXiv (Cornell University)|2012. 10. 19.

Advanced Image and Video Retrieval Techniques참고 문헌 16인용 수 54

한 줄 요약

이 논문은 이동 로봇 지ap 구축에서 로봇이 기존에 알려진 영역을 재방문하고 있는지 아니면 새로운 환경을 탐색하고 있는지 판단해야 하는 재방문 문제를 해결하기 위해 계층 베이지안 접근법을 제안한다. 일반적인 환경를 구조적 패턴에 대한 딜레트 분포 사전분포를 갖는 은닉 마르코프 모델(HMM)로 모델링함으로써, 현재 지도 외부에 있을 확률을 추정함으로써 기준 방법 대비 다중 로봇 지도 융합 성능을 크게 향상시킨다.

ABSTRACT

We present an application of hierarchical Bayesian estimation to robot map building. The revisiting problem occurs when a robot has to decide whether it is seeing a previously-built portion of a map, or is exploring new territory. This is a difficult decision problem, requiring the probability of being outside of the current known map. To estimate this probability, we model the structure of a "typical" environment as a hidden Markov model that generates sequences of views observed by a robot navigating through the environment. A Dirichlet prior over structural models is learned from previously explored environments. Whenever a robot explores a new environment, the posterior over the model is estimated by Dirichlet hyperparameters. Our approach is implemented and tested in the context of multi-robot map merging, a particularly difficult instance of the revisiting problem. Experiments with robot data show that the technique yields strong improvements over alternative methods.

연구 동기 및 목표

• 이동 로봇 지도 구축에서 로봇이 이전에 맵핑된 영역을 재방문하고 있는지 아니면 새로운 영역을 탐색하고 있는지 판단하는 문제를 해결하기 위해.
• 현재 알려진 지도 외부에 있을 가능성을 추정함으로써 다중 로봇 시스템에서 지도 융합 정확도를 향상시키기 위해.
• 디릴레트 사전분포를 활용한 계층 베이지안 프레임워크를 통해 일반적인 환경의 구조적 특성을 모델링하기 위해.
• 이전에 탐색된 환경으로부터 학습함으로써 불확실성 하에서 견고한 의사결정을 가능하게 하기 위해.
• 실시간 로봇 주행 중 환경 구조 추론을 위한 확장 가능하고 적응 가능한 방법을 제공하기 위해.

제안 방법

• 이 방법은 로봇이 주행하는 동안 관측하는 시각 시퀀스를 생성하는 은닉 마르코프 모델(HMM)로 환경 구조를 모델링한다.
• 이전에 탐색된 환경들로부터 얻은 구조적 모델에 대해 딜레트 사전분포를 학습하여 일반적인 공간 레이아웃에 대한 사전 지식을 표현한다.
• 새로운 환경을 탐색할 때, 관측된 시각 시퀀스를 바탕으로 딜레트 초모수를 사용해 구조적 모델에 대한 사후분포를 갱신한다.
• 현재 지도 외부에 있을 가능도는 구조적 모델에 대한 사후분포에서 추정되며, 이를 바탕으로 정보 기반의 재방문 결정을 내릴 수 있다.
• 복잡한 실제 시나리오에서 성능을 평가하기 위해 이 접근법을 다중 로봇 지도 융합 프레임워크에 통합한다.
• 다양한 로봇 관측 결과의 증거를 결합하고 지도 일관성을 갱신하기 위해 베이지안 추론을 사용한다.

실험 결과

연구 질문

• RQ1 다이나믹한 환경에서 로봇이 알려진 영역을 재방문하고 있는지 아니면 새로운 영역을 탐색하고 있는지 신뢰성 있게 구분할 수 있는 방법은 무엇인가?
• RQ2 지도 구축 의사결정을 지원하기 위해 일반적인 실내 환경의 통계적 구조를 효과적으로 모델링하는 방법은 무엇인가?
• RQ3 이전에 탐색된 환경로부터의 사전 지식를 어떻게 활용하여 실시간 지도 일관성과 재방문 탐지 정확도를 향상시킬 수 있는가?
• RQ4 기준 방법 대비 딜레트 사전분포를 갖는 계층 베이지안 모델링이 다중 로봇 지도 융합에 얼마나 향상시키는가?
• RQ5 환경 구조의 확률적 모델링이 불확실성 하에서 로봇 위치 추정 및 지도 구축의 견고성 향상에 기여하는가?

주요 결과

• 제안된 계층 베이지안 접근법은 기준 방법 대비 다중 로봇 시나리오에서 지도 융합 정확도를 크게 향상시킨다.
• 구조적 모델에 대한 딜레트 사전분포의 사용은 이전 환경에서의 지식을 새로운 미사용 영역으로 효과적으로 일반화할 수 있게 한다.
• 실제 로봇 데이터에서 우수한 성능을 기록하여 환경 변동성과 센서 노이즈에 대한 강건성을 입증한다.
• 구조적 모델 확률의 사후 추정은 미지 영역에 있을 가능도를 효과적으로 포착하여 재방문 탐지에서 잘못된 경고를 줄인다.
• 실험 결과, 시뮬레이션 및 실제 로봇 주행 작업 모두에서 다른 기법들을 능가하는 성능을 보였다.
• 다중 로봇 지도 융합에의 통합은 본 방법의 확장성과 협업 지도 시스템에서의 실용적 유용성을 강조한다.