[論文レビュー] An Eigenshapes Approach to Compressed Signed Distance Fields and Their Utility in Robot Mapping

Daniel Ricão Canelhas, Erik Schaffernicht+3 more|arXiv (Cornell University)|Sep 8, 2016

Advanced Vision and Imaging参考文献 21被引用数 5

ひとこと要約

本稿では、ロボットマッピングのための3次元断面符号付き距離場（TSDF）を圧縮するためにPCAとオートエンコーダーを用いたエイゲンシェイプス手法を提案する。高い圧縮比を実現しながらも幾何学的忠実性を維持でき、ロスあり圧縮されたTSDFが、RGB-D環境が厳しい条件下でも元の未圧縮バージョンを上回る自己運動推定性能を示す。PCAベースの圧縮は再構築精度が高く、選択的復元のための意味的記述子としての実用的価値も有する。

ABSTRACT

In order to deal with the scaling problem of volumetric map representations we propose spatially local methods for high-ratio compression of 3D maps, represented as truncated signed distance fields. We show that these compressed maps can be used as meaningful descriptors for selective decompression in scenarios relevant to robotic applications. As compression methods, we compare using PCA-derived low-dimensional bases to non-linear auto-encoder networks and novel mixed architectures that combine both. Selecting two application-oriented performance metrics, we evaluate the impact of different compression rates on reconstruction fidelity as well as to the task of map-aided ego-motion estimation. It is demonstrated that lossily compressed distance fields used as cost functions for ego-motion estimation, can outperform their uncompressed counterparts in challenging scenarios from standard RGB-D data-sets.

研究の動機と目的

• ロボティクス分野におけるボリュメトリック3次元マップ表現の高いメモリコストに対処すること。
• 幾何学的忠実性を保ちながら、断面符号付き距離場（TSDF）の空間的に局所的な圧縮技術を開発すること。
• ロボットナビゲーションのための選択的復元を可能にするために、圧縮された特徴量を意味的記述子として用いること。
• PCA、オートエンコーダー、およびハイブリッドアーキテクチャの圧縮性能およびトラッキング性能を評価すること。
• 圧縮された特徴空間内で直接自己運動推定を実行することが可能かどうかを検討すること。

提案手法

• 大規模な3次元再構築データセット上で主成分分析（PCA）を用いて学習された低次元特徴空間へTSDFボリュームを射影することで、TSDFを圧縮する。
• 非線形圧縮手法としてオートエンコーダー（AE）ニューラルネットワークを用い、複雑な幾何的変動を捉える。
• PCAとAEのコンponentをハイブリッドアーキテクチャに統合し、より優れた圧縮および再構築性能を探索する。
• 多様なRGB-Dスキャンデータセットを用いてモデルを訓練し、3次元シーン幾何のコンactかつ汎用的な表現を学習する。
• 圧縮された特徴ベクトルを記述子として用い、意味的モデル（例：床）との類似度に基づいてマップ領域の選択的復元を誘導する。
• 標準的なRGB-DデータセットとSDFトラッカーアルゴリズムを用いて、再構築品質および自己運動推定性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 PCAベースのTSDF圧縮は、ロボットマッピングタスクに必要な十分な幾何的詳細を保持しつつ、高い圧縮比を達成できるか？
• RQ2 再構築忠実度およびトラッキング精度という観点から、PCAベースの圧縮と非線形オートエンコーダーに基づく圧縮の性能を比較するとどうなるか？
• RQ3 PCAとオートエンコーダーを組み合わせたハイブリッドアーキテクチャは、個別の手法を上回る圧縮性能またはトラッキング性能を実現できるか？
• RQ4 圧縮されたTSDF特徴量は、関心領域の選択的復元のための効果的な意味的記述子として機能できるか？
• RQ5 完全な復元を行わずに、圧縮された特徴空間内で直接自己運動推定を実行することが可能か？

主な発見

• PCAベースの圧縮はオートエンコーダーを上回る優れた再構築忠実度を達成し、圧縮比は128:1から32:1の範囲であった。
• 表現力が低いにもかかわらず、オートエンコーダーは厳しい条件下で自己運動推定タスクにおいてPCAをわずかに上回った。
• PCAとオートエンコーダーを組み合わせたハイブリッドアーキテクチャは一貫した改善をもたらさず、しばしば片方の性能に偏る結果となり、並列的または逐次的統合に明確な利点は認められなかった。
• 低次元特徴空間により、意味的記述子に基づく効果的な選択的復元が可能となり、床などの領域を類似度閾値を用いて優先的に処理できるようになった。
• PCAの順序付き基底構造により、異なる次元の特徴量（例：32Dと64D）を共有部分空間内での比較が可能となり、マルチレベル圧縮との互換性が確保された。
• ロスあり圧縮されたTSDFが、標準的なRGB-Dデータセットにおいて未圧縮TSDFを上回る自己運動推定性能を示した。これは、ノイズが多いまたは曖昧なシーンにおいて圧縮が耐障害性を高められることを示唆している。