[논문 리뷰] Visual Memory for Robust Path Following

Ashish Kumar, Saurabh Gupta외 3명|arXiv (Cornell University)|2018. 12. 03.

Human Motion and Animation인용 수 32

한 줄 요약

이 논문은 노이즈가 있는 액추에이터를 가진 동적인 환경에서 강건한 경로 추적을 위한 학습 가능한 시각적 메모리 프레임워크를 제안한다. 엔드 투 엔드로 훈련된 두 네트워크 시스템을 사용한다: 하나는 시연 이미지에서 경로를 추상화하고, 다른 하나는 이 추상화된 정보를 사용해 주행을 제어한다. 환경 변화와 액추에이터 노이즈 하에서 고전적 및 학습 기반 기준보다 뛰어난 경로 재현 성능을 보인다.

ABSTRACT

Humans routinely retrace paths in a novel environment both forwards and backwards despite uncertainty in their motion. This paper presents an approach for doing so. Given a demonstration of a path, a first network generates a path abstraction. Equipped with this abstraction, a second network observes the world and decides how to act to retrace the path under noisy actuation and a changing environment. The two networks are optimized end-to-end at training time. We evaluate the method in two realistic simulators, performing path following and homing under actuation noise and environmental changes. Our experiments show that our approach outperforms classical approaches and other learning based baselines.

연구 동기 및 목표

• 노이즈가 있는 액추에이터를 가진 새로운, 변화하는 환경에서 강건한 경로 추적과 홈잉을 가능하게 하기 위해.
• 전체 3D 재구성 필요 및 환경 변화에서 실패하는 고전적 SLAM 기반 방법의 한계를 극복하기 위해.
• 환경 노출을 광범위하게 요구하지 않고 단일 시범으로부터 일반화하는 학습 기반 접근법을 개발하기 위해.
• 수동으로 설계된 넓은 기준 또는 대체 작업을 피하기 위해 엔드 투 엔드 훈련을 통해 국소화 및 주행 특징을 암묵적으로 학습하기 위해.
• 시각적 변화, 액추에이터 노이즈, 경로 길이 일반화에 대한 강건성 평가하기 위해.

제안 방법

• 첫 번째 신경망은 시범 이미지의 시퀀스를 경로 추상화로 압축하여, 압축되고 의미적으로 유의미한 표현을 학습한다.
• 두 번째 순환 신경망(RNN) 컨트롤러는 현재 관측값과 경로 추상화를 사용해 행동을 예측하며, 이로써 에이전트가 경로 상에서 암묵적으로 국소화된다.
• 컨트롤러는 시뮬레이션된 경로 포인터를 따라가는 방식으로 암시적 추적을 학습하기 위해 암시적 학습을 사용해 엔드 투 엔드로 훈련된다.
• 컨트롤러는 포인터 위치를 업데이트하기 위해 학습된 증분 함수를 사용하여 정방향 및 역방향 경로 주행이 가능하다.
• 기하학적 국소화를 명시적으로 하지 않고, 시각적 신호를 상대적 경로 위치와 연결함으로써 시스템은 경로 진행 상황을 기억한다.
• 재귀성을 활용해 경로 진행 상황을 유지함으로써, 액추에이터 노이즈와 시각적 변화에 강건한 성능을 달성한다.

실험 결과

연구 질문

• RQ1 학습된 시각적 메모리 시스템은 노이즈가 있는 액추에이터를 가진 변화하는 환경에서 강건한 경로 추적과 홈잉을 가능하게 할 수 있는가?
• RQ2 시각적 메모리와 컨트롤러의 엔드 투 엔드 훈련은 고전적 SLAM 기반 또는 감독 학습 기반 기준보다 어떻게 비교되는가?
• RQ3 학습 중에 관측한 것보다 더 긴 경로에 대해 모델이 얼마나 잘 일반화되는가?
• RQ4 물체 제거 또는 추가와 같은 환경 변화에 대해 모델은 얼마나 잘 적응하는가?
• RQ5 아키텍처의 어떤 구성 요소(예: 재귀성, 학습된 증분 함수)가 성능에 필수적인가?

주요 결과

• 제안된 RPF 방법은 환경 변화 하에서도 고전적 3D 재구성 및 국소화 방법보다 경로 추적 및 홈잉 작업에서 모두 뛰어난 성능을 보인다.
• RPF는 환경에서 100%의 물체가 제거되거나 추가된 경우에도 강력한 성능 유지를 보이며, 기하학적 기준은 급격히 성능이 저하된다.
• 학습 중에 관측한 경로보다 최대 3배 긴 경로에 대해서도 일반화가 가능하여 강력한 제로샷 일반화 성능을 보인다.
• 제거 실험 결과에서 재귀성과 학습된 증분 함수가 필수적임을 확인하였으며, 둘 중 하나를 제거하면 성능이 크게 떨어진다.
• RPF 경로는 개방형 루프 롤아웃보다 기준 경로와 더 견고하게 일치하여 충돌과 드리프트를 감소시킨다.
• 소규모 회피가 필요한 경우 장애물을 회피해 성공적으로 주행하지만, 큰 이격이 필요한 경우 실패함을 보이며 장거리 계획의 한계를 보여준다.