[논문 리뷰] Visual SLAM with Network Uncertainty Informed Feature Selection.

Pranav Ganti, Steven L. Waslander|arXiv (Cornell University)|2018. 11. 29.

Robotics and Sensor-Based Localization참고 문헌 28인용 수 8

한 줄 요약

SIVO는 시각 SLAM를 위한 정보이론적 특징 선택 방법을 제안하며, 베이지안 신경망 불확실성과 통합하여 정적이고 지속적인 특징을 선택함으로써 지도 크기를 69% 감소시키면서 ORB_SLAM2와 비교해 유사한 성능을 유지한다 (이동 오차는 0.17% 더 낮고, 회전 오차는 6.2×10⁻⁵ deg/m 낮음).

ABSTRACT

In order to facilitate long-term localization using a visual simultaneous localization and mapping (SLAM) algorithm, careful feature selection is required such that reference points persist over long durations and the runtime and storage complexity of the algorithm remain consistent. We present SIVO (Semantically Informed Visual Odometry and Mapping), a novel information-theoretic feature selection method for visual SLAM which incorporates machine learning and neural network uncertainty into the feature selection pipeline. Our algorithm selects points which provide the highest reduction in Shannon entropy between the entropy of the current state, and the joint entropy of the state given the addition of the new feature with the classification entropy of the feature from a Bayesian neural network. This feature selection strategy generates a sparse map suitable for long-term localization, as each selected feature significantly reduces the uncertainty of the vehicle state and has been detected to be a static object (building, traffic sign, etc.) repeatedly with a high confidence. The KITTI odometry dataset is used to evaluate our method, and we also compare our results against ORB_SLAM2. Overall, SIVO performs comparably to ORB_SLAM2 (average of 0.17% translation error difference, 6.2 x 10^(-5) deg/m rotation error difference) while reducing the map size by 69%.

연구 동기 및 목표

• 장기적 시각 SLAM에서 일관된 위치 추정을 유지하기 위해 지도 복잡성을 줄이고 특징의 지속성을 향상시키는 데 도전한다.
• 가장 정보량이 많고 안정적인 특징들만 선택하여 시각 SLAM의 런타임 및 스토리지 오버헤드를 완화한다.
• 베이지안 신경망을 통한 의미론적 및 불확실성 인식 분류를 통합함으로써 특징 선택의 신뢰성을 향상시킨다.
• 지속적으로 저장되는 특징의 수를 크게 줄이면서도 높은 위치 추정 정확도를 유지한다.

제안 방법

• SIVO는 차량 상태의 샤논 엔트로피 감소를 최대화하는 정보이론적 기준을 사용하여 특징을 선택한다.
• 새로운 특징에 조건부된 상태의 결합 엔트로피를 계산하며, 이는 베이지안 신경망에서의 분류 엔트로피를 포함한다.
• 특징은 차량 상태의 불확실성을 줄일 수 있고, 높은 신뢰도로 정적 물체로 분류될 수 있을 때 선택된다.
• 알고리즘은 의미 분할과 불확실성 추정치를 활용하여 동적 또는 신뢰할 수 없는 특징을 걸러낸다.
• 특징 선택은 지ap적이고 지속 가능한 지도를 유지하기 위해 매핑 중 반복적으로 적용된다.
• 이 방법은 ORB_SLAM2를 성능 기준으로 삼아 KITTI 오도메트리 데이터셋에서 평가된다.

실험 결과

연구 질문

• RQ1 신경망 불확실성을 통합함으로써 장기적 시각 SLAM에서 지속 가능한 특징의 선택을 향상시킬 수 있는가?
• RQ2 엔트로피 감소에 기반한 정보이론적 특징 선택이 지도 크기와 위치 추정 정확도에 어떤 영향을 미치는가?
• RQ3 불확실성 기반 선택을 통해 생성된 희소 지도가 최첨단 SLAM 시스템과 비교해 어느 정도 성능을 유지할 수 있는가?
• RQ4 베이지안 신경망에서 유도된 의미론적 신뢰도 통합이 특징 안정성 향상과 지도 복잡도 감소에 기여하는가?

주요 결과

• SIVO는 ORB_SLAM2 대비 지도 크기를 69% 감소시켰지만, 유사한 위치 추정 정확도를 유지한다.
• SIVO와 ORB_SLAM2 간의 이동 오차 차이는 단지 0.17%이며, 성능 저하가 거의 없음을 시사한다.
• 회전 오차의 차이는 6.2×10⁻⁵ deg/m로, 자세 추정의 높은 일관성을 보여준다.
• 선택된 특징들은 건물, 교통 표지판 등 주로 정적 물체이며, 높은 신뢰도의 베이지안 신경망 분류로 확인되었다.
• 정보이론적 특징 선택 전략은 상태 불확실성을 가장 효과적으로 줄이는 특징을 우선순위로 선정하는 데 성공했다.
• 정보량이 많고 지속적으로 탐지 가능한 특징을 선호함으로써 장기적 위치 추정이 가능해졌다.