[논문 리뷰] Towards Online Observability-Aware Trajectory Optimization for Landmark-based Estimators

Kristoffer M. Frey, Ted J. Steiner외 1명|arXiv (Cornell University)|2019. 08. 10.

Robotics and Sensor-Based Localization참고 문헌 24인용 수 6

한 줄 요약

이 논문은 시각 SLAM과 같은 랜드마크 기반 추정기에서 계산 효율적이고 관측 가능성 인식 기반의 궤적 최적화 프레임워크를 제안한다. 리-미분 측정 묶음 처리와 간격 기반 필터링을 활용하여, 많은 수의 랜드마크에 걸쳐 거의 일정한 시간 내에 사후 공분산 예측을 가능하게 하여, 알려진 랜드마크 선형화 점이 필요 없이 온라인 계획에서 추정 정확도와 안전성을 크게 향상시킨다.

ABSTRACT

As autonomous systems increasingly rely on onboard sensing for localization and perception, the parallel tasks of motion planning and state estimation become more strongly coupled. This coupling is well-captured by augmenting the planning objective with a posterior-covariance penalty -- however, prediction of the estimator covariance is challenging when the observation model depends on unknown landmarks, as is the case in Simultaneous Localization and Mapping (SLAM). This paper addresses these challenges in the case of landmark- and SLAM-based estimators, enabling efficient prediction (and ultimately minimization) of this performance metric. First, we provide an interval-based filtering approximation of the SLAM inference process which allows for recursive propagation of the ego-covariance while avoiding the quadratic complexity of explicitly tracking landmark uncertainty. Secondly, we introduce a Lie-derivative measurement bundling scheme that simplifies the recursive "bundled" update, representing significant computational savings for high-rate sensors such as cameras. Finally, we identify a large class of measurement models (which includes orthographic camera projection) for which the contributions from each landmark can be directly combined, making evaluation of the information gained at each timestep (nearly) independent of the number of landmarks. This also enables the generalization from finite sets of landmarks $\{\ell^{(n)} \}$ to distributions, foregoing the need for fully-specified linearization points at planning time and allowing for new landmarks to be anticipated. Taken together, these contributions allow SLAM performance to be accurately and efficiently predicted, paving the way for online, observability-aware trajectory optimization in unknown space.

연구 동기 및 목표

• 초기에는 랜드마크 위치가 알려지지 않은 환경에서 실시간으로 관측 가능성 인식 궤적 최적화를 가능하게 하기 위해.
• 온라인 계획 중 SLAM에서 랜드마크 불확실성의 명시적 추적의 계산 비용이 과도한 문제를 해결하기 위해.
• 랜드마크 수에 거의 의존하지 않는 스케일러블한 사후 공분산 예측 방법을 개발하기 위해.
• 유한한 랜드마크 집합을 넘어서 연속적인 잠재 랜드마크 분포로의 궤적 계획을 일반화하기 위해.
• 최적화 목표에 사후 공분산을 직접 최소화하여 자율 주행 중 상태 불확실성이 유한하게 유지되도록 보장하기 위해.

제안 방법

• 랜드마크 불확실성의 명시적 추적을 피하면서도 자기를 상태 공분산을 반복적으로 전파하는 간격 기반 필터링 근사 기법을 도입한다.
• 고속 센서(예: 카메라)의 경우 재귀적 업데이트를 단순화하고 가속화하기 위해 리-미분 측정 묶음 처리 기법을 활용한다.
• 랜드마크가 정보 획득에 기여하는 방식을 직접 조합할 수 있는 측정 모델의 클래스(예: 정사영 투영 포함)를 식별하여, 랜드마크 수에 비해 거의 일정한 복잡도 스케일링을 가능하게 한다.
• 추정 정확도를 유지하면서도 계산 비용을 추가로 감소시키기 위해 애파인 센서 모델 근사 기법을 활용한다.
• 정보 행렬 업데이트에 리-테일러 근사 기법을 적용하여 빠르고 정확한 사후 공분산 예측을 가능하게 한다.
• 근사된 사후 공분산을 믿음 공간 궤적 최적화 프레임워크에 통합하여, 관측 가능성이 높은 궤적을 향한 운동 계획을 안내한다.

실험 결과

연구 질문

• RQ1 랜드마크 기반 SLAM에서 사후 공분산을 온라인 궤적 최적화에 적합하게 효율적으로 예측할 수 있는가?
• RQ2 랜드마크 수에 비례하는 복잡도에서 거의 일정한 복잡도로 공분산 예측의 계산 복잡도를 낮출 수 있는가?
• RQ3 관측 가능성 인식 계획을 유한한 랜드마크 집합을 넘어서 연속적인 랜드마크 분포로 일반화할 수 있는가?
• RQ4 사후 공분산을 최소화하는 것이 가시성 또는 局부 관측 가능성 겸손행렬과 같은 히وري스틱 관측 가능성 지표보다 더 나은 추정 성능을 제공하는가?
• RQ5 제안된 방법이 실세계 자율 주행 시나리오에서 상태 불확실성이 유한하게 유지됨을 보장할 수 있는가?

주요 결과

• 제안된 리-테일러 근사 기법은 정사영 카메라를 사용할 경우 100개의 랜드마크에서 명시적 방법 대비 공분산 전파 시간을 1.86초에서 151ms로 단축하여 12배의 속도 향상을 달성한다.
• 애파인 센서 모델의 경우 리-테일러 방법은 모든 랜드마크 수에서 거의 일정한 계산 시간(~18ms)을 유지하여 확장성을 입증한다.
• 사후 공분산 목표를 사용한 최적화(예: pc-lie)는 최대 가시성 또는 최대 겸손행렬과 같은 히وري스틱 지표를 사용한 경우보다 유의미하게 낮은 RMSE를 달성한다.
• pc-lie 근사 기법은 정확한 사후 공분산 방법(pc-exact)과 거의 동일한 성능을 보이며 추정 성능 향상 손실이 최소한이다.
• 정밀화 없이도 불확실성은 안전한 한계를 초과할 수 있으나, pc-lie 기반 최적화가 다양한 시나리오에서 불확실성 증가를 효과적으로 제한한다.
• 이 방법은 알려지지 않은 환경에서 추정기 성능을 효율적으로 예측함으로써 VIO를 탑재한 다누크로터의 온라인 실시간 운동 계획을 가능하게 한다.