[논문 리뷰] Touch-based object localization in cluttered environments

Huy Nguyen, Quang‐Cuong Pham|arXiv (Cornell University)|2017. 09. 27.

Robotics and Sensor-Based Localization참고 문헌 7인용 수 3

한 줄 요약

이 논문은 혼잡한 환경에서 아웃라이어 측정값을 처리하기 위해 RANSAC을 베이지안 추정 프레임워크에 통합하여 강인한 터치 기반 물체 국소화 방법을 제안한다. 아웃라이어 측정값을 효과적으로 거부하고, 정확하고 실용적인 국소화를 가능하게 하기 위해 빠른 면 선택 알고리즘을 도입하여 베이지안 업데이트를 가속화한다. 실험 결과, 최대 6.5배의 속도 향상과 밀리미터 이내 정밀도를 달성하였다.

ABSTRACT

Touch-based object localization is an important component of autonomous robotic systems that are to perform dexterous tasks in real-world environments. When the objects to locate are placed within clutters, this touch-based procedure tends to generate outlier measurements which, in turn, can lead to a significant loss in localization precision. Our first contribution is to address this problem by applying the RANdom SAmple Consensus (RANSAC) method to a Bayesian estimation framework. As RANSAC requires repeatedly applying the (computationally intensive) Bayesian updating step, it is crucial to improve that step in order to achieve practical running times. Our second contribution is therefore a fast method to find the most probable object face that corresponds to a given touch measurement, which yields a significant acceleration of the Bayesian updating step. Experiments show that our overall algorithm provides accurate localization in practical times, even when the measurements are corrupted by outliers.

연구 동기 및 목표

• 혼잡한 환경에서의 아웃라이어 터치 측정값으로 인한 정확도 저하 문제를 해결하기 위해.
• 의도하지 않은 접촉으로 인한 아웃라이어에 대해 베이지안 터치 기반 국소화의 강인성을 향상시키기 위해.
• 반복적 추정 프레임워크에서 계산 비용이 높은 베이지안 업데이트 단계를 가속화하기 위해.
• 밀리미터 이내 정밀도가 요구되는 실제 로봇 조작 작업에 대해 실용적인 실행 시간을 보장하기 위해.
• 주변 물체에 대한 사전 지식이 필요로 하지 않아, 알 수 없는 혼잡 환경에서도 적용 가능하도록 하기 위해.

제안 방법

• 아웃라이어 측정값을 반복적으로 가설화하고 검증하기 위해 RANSAC을 베이지안 추정 프레임워크에 통합하여 아웃라이어를 거부한다.
• 터치 측정값에 해당하는 가장 가능성이 높은 물체 면을 식별함으로써 가능도 평가 비용을 줄이는 빠른 면 선택 알고리즘을 제안한다.
• 각도 편차 ($\delta_\alpha = 0.09$ rad) 기반의 임계값을 사용하여 베이지안 업데이트 이전에 후보 면을 필터링한다.
• 입자 기반 베이지안 추론을 사용하여 6-DOF 자세 추정을 위해 Scaling Series 방법을 적용한다.
• 엔드 에이퍼처의 접촉으로부터 얻는 정위치 및 법선 정보를 활용해 측정값을 생성한다.
• 레이 트레이싱 시뮬레이션을 사용하여 근처 물체로부터 유래한 아웃라이어를 포함한 현실적인 터치 측정값을 생성한다.

실험 결과

연구 질문

• RQ1 RANSAC이 아웃라이어 터치 측정값에 대한 강인성을 향상시키기 위해 베이지안 프레임워크에 효과적으로 적응할 수 있는가?
• RQ2 터치 기반 국소화에서 베이지안 업데이트의 계산 비용을 어떻게 줄일 수 있는가?
• RQ3 제안된 면 선택 방법은 정밀도를 희생시키지 않고 런타임 성능에 얼마나 기여하는가?
• RQ4 의도하지 않은 접촉이 흔한 혼잡한 환경에서도 높은 정밀도의 국소화를 달성할 수 있는가?
• RQ5 다양한 초기 불확실성과 물체 복잡성 조건에서 이 방법의 성능은 어떻게 되는가?

주요 결과

• 제안된 방법은 이동 방향 평균 오차 0.81 mm, 회전 방향 평균 오차 0.015 rad를 기록하여, 아웃라이어 분류 기능이 없는 베이스라인(6.64 mm, 0.1 rad)에 비해 유의미하게 뛰어난 성능을 보였다.
• 면 선택 알고리즘이 복잡한 물체(예: 현금등록기 모델)에 대해 기존 베이스라인 대비 평균 실행 시간을 최대 6.5배 감소시켰다.
• 혼잡한 환경에서 15개의 측정값 중 1~5개의 아웃라이어가 존재하는 상황에서도 50회의 시험 전부에서 100% 성공률를 유지하였다.
• 복잡한 물체일수록 면 수가 많아지므로, 면 선택 방법의 스케일러빌리티가 가장 뚜렷하게 드러났다.
• 큰 초기 불확실성(위치 기준 10 mm, 방향 기준 0.3 rad) 조건에서도 성능이 유지되어 초기화에 대한 강인성을 입증하였다.
• 실험 결과, 아웃라이어 측정값만으로도 성능이 심각하게 저하됨을 확인하여, 아웃라이어 분류의 필요성을 입증하였다.