[논문 리뷰] To Go or Not To Go? A Near Unsupervised Learning Approach For Robot Navigation

Noriaki Hirose, Amir Sadeghian외 2명|arXiv (Cornell University)|2017. 09. 16.

Robotic Path Planning Algorithms참고 문헌 29인용 수 15

한 줄 요약

이 논문은 광각 RGB 카메라 입력을 기반으로 로봇 주행 시나리오를 '진행 가능' 또는 '진행 불가능'으로 분류하기 위해 생성적 적대적 네트워크(GANs)를 활용한 근접 비지도 학습 딥러닝 방법을 제안한다. 로봇 경험을 통해 수집한 주로 비라벨된 양성 데이터와 최소한의 라벨된 음성 예외를 활용함으로써, 높은 정확도를 달성하면서도 실시간 추론이 가능하며, 단일 광각 RGB 카메라만으로도 시각적 '진행 가능/불가능' 비용지도를 생성할 수 있다.

ABSTRACT

It is important for robots to be able to decide whether they can go through a space or not, as they navigate through a dynamic environment. This capability can help them avoid injury or serious damage, e.g., as a result of running into people and obstacles, getting stuck, or falling off an edge. To this end, we propose an unsupervised and a near-unsupervised method based on Generative Adversarial Networks (GAN) to classify scenarios as traversable or not based on visual data. Our method is inspired by the recent success of data-driven approaches on computer vision problems and anomaly detection, and reduces the need for vast amounts of negative examples at training time. Collecting negative data indicating that a robot should not go through a space is typically hard and dangerous because of collisions, whereas collecting positive data can be automated and done safely based on the robot's own traveling experience. We verify the generality and effectiveness of the proposed approach on a test dataset collected in a previously unseen environment with a mobile robot. Furthermore, we show that our method can be used to build costmaps (we call as "GoNoGo" costmaps) for robot path planning using visual data only.

연구 동기 및 목표

• 로봇 주행 의사결정에 있어 비용이 많이 들고 위험한 인간 라벨 음성 예외에 대한 의존도를 줄이기 위해.
• 시각적 데이터만을 사용하여 통과 가능 여부를 실시간으로 빠르게 분류할 수 있는 계산적으로 효율적인 방법을 개발하기 위해.
• 단일 광각 RGB 카메라만을 사용하여 시각적 비용지도('진행 가능/불가능' 비용지도)를 생성할 수 있도록 하기 위해.
• 최소한의 지도 학습으로도 동적인, 이전에 본 적 없는 환경에서 일반화 능력과 강인성을 향상시키기 위해.

제안 방법

• 로봇 주행을 통해 안전하게 수집한 양성 주행 예외들 전용으로 훈련된 GAN 기반 생성기(Gen)를 활용하여 통과 가능한 환경의 다양체(manifold)를 학습한다.
• 재구성 정확도와 분류 성능 향상을 위해 잔차 손실(R), 판별기 손실(D), 특징 수준 손실(F)을 조합한다.
• 실시간 추론을 가능하게 하기 위해 역방향 생성기(Gen⁻¹)를 도입하여 이미지 재구성 오차 |X − X′|를 주행 가능성을 대체하는 지표로 신속하게 예측한다.
• 소량의 라벨된 양성 및 음성 예외를 사용해 사전 훈련된 ResNet을 미세조정함으로써 근접 비지도 학습 전략을 적용한다.
• 모델의 일반화 능력과 경계 케이스에 대한 강인성을 향상시키기 위해 R+D+F 손실 구성 요소를 통합한다.
• 재구성 오차와 특징 맵을 활용하여 '진행 가능/불가능' 비용지도를 생성하며, 높은 오차 영역은 장애물에 해당한다.

실험 결과

연구 질문

• RQ1 소량의 라벨된 음성 데이터와 다량의 비라벨 양성 데이터만을 사용하여 GAN 기반 모델이 높은 정확도로 진행/불가능 분류를 달성할 수 있는가?
• RQ2 제안된 방법이 단일 광각 카메라의 시각 입력만으로 신뢰할 수 있는 실시간 비용지도를 생성할 수 있는가?
• RQ3 근접 비지도 학습 방법의 성능은 정밀 지도 학습 기반 베이스라인 대비 정확도, 추론 속도, 메모리 사용량 측면에서 어떻게 비교되는가?
• RQ4 모델은 재학습 없이도 또는 광범위한 미세조정 없이도 이전에 본 적 없는 환경으로 일반화할 수 있는가?
• RQ5 GAN 기반 오토인코더의 재구성 오차가 주행 가능성을 신뢰할 수 있는 대체 지표로 얼마나 유용한가?

주요 결과

• 제안된 방법은 R+D+F 손실 구성에서 테스트 정확도 94.25%를 달성하여, 정밀 지도 학습 기반 ResNet 베이스라인보다 정확도와 추론 속도 모두에서 뛰어난 성능을 보였다.
• 모델은 89.69 Hz로 실행되어 카메라의 15 fps보다 훨씬 빠르게 작동하여 모바일 플랫폼에서 실시간 가능성을 입증했다.
• 전체 데이터의 1%만을 라벨링해야 하여, 전면 지도 학습 접근 방식 대비 라벨링 노력이 극적으로 감소했다.
• 분류기에서 생성된 '진행 가능/불가능' 비용지도 덕분에, 실시간으로 움직이는 장애물(예: 쓰레기통)을 회피하는 경로 계획이 성공적으로 수행되었다.
• ResNet-152와 같은 깊은 네트워크의 전면 미세조정에 비해 메모리 사용량과 계산 비용이 감소했으며, 이는 1357 MB의 메모리 사용량과 12.21 Hz의 낮은 실행 속도를 보였던 것에 비해 유의미하게 개선되었다.
• 선택도 맵의 시각화 결과는 모델이 장애물과 에지와 같은 관련 있는 장면 영역에 집중하고 있음을 확인하여 해석 가능성과 신뢰성에 기여했다.