[논문 리뷰] Continual SLAM: Beyond Lifelong Simultaneous Localization and Mapping Through Continual Learning

Niclas Vödisch, Daniele Cattaneo외 2명|arXiv (Cornell University)|2022. 03. 03.

Robotics and Sensor-Based Localization인용 수 10

한 줄 요약

이 논문은 지속적인 SLAM(Continual SLAM)이라는 새로운 프레임워크를 소개한다. 이 프레임워크는 기존에 방문한 환경들에서의 지식을 유지하면서도, 극적으로 다른 여러 환경에 지속적으로 학습하고 적응할 수 있도록 한다. 온라인 적응과 경험 재생을 활용한 이중 네트워크 아키텍처를 통해 CL-SLAM은 적응성과 지속성 측면에서 베이스라인을 초월하며, 미리 보지 않은 환경에서 2.50%의 번역 오차를 기록하고, 연속적인 배포 동안 낮은 오차를 유지한다.

ABSTRACT

Robots operating in the open world encounter various different environments that can substantially differ from each other. This domain gap also poses a challenge for Simultaneous Localization and Mapping (SLAM) being one of the fundamental tasks for navigation. In particular, learning-based SLAM methods are known to generalize poorly to unseen environments hindering their general adoption. In this work, we introduce the novel task of continual SLAM extending the concept of lifelong SLAM from a single dynamically changing environment to sequential deployments in several drastically differing environments. To address this task, we propose CL-SLAM leveraging a dual-network architecture to both adapt to new environments and retain knowledge with respect to previously visited environments. We compare CL-SLAM to learning-based as well as classical SLAM methods and show the advantages of leveraging online data. We extensively evaluate CL-SLAM on three different datasets and demonstrate that it outperforms several baselines inspired by existing continual learning-based visual odometry methods. We make the code of our work publicly available at http://continual-slam.cs.uni-freiburg.de.

연구 동기 및 목표

• 학습 기반 SLAM을 도메인 갭이 큰 오픈월드 환경에 배포하는 데 도전하는 데 목적을 두며.
• 단일 환경에 국한되지 않고, 극적으로 다른 여러 환경에 연속적으로 배포할 수 있도록 평생 SLAM을 확장하는 데 목적을 두며.
• 새로운 환경에 신속히 적응하면서도 이전에 방문한 환경들에서의 지식을 효과적으로 유지할 수 있는 방법을 개발하는 데 목적을 두며.
• 적응성 품질과 지속성 품질을 측정하는 지표를 포함하여 실세계 데이터셋에서 프레임워크를 평가하는 데 목적을 두며.
• 재현 가능성과 지속적 시각 SLAM 분야의 향후 연구를 지원하기 위해 공개된 구현을 제공하는 데 목적을 두며.

제안 방법

• 온라인 적응과 지식 유지 기능을 위한 특징 추출기와 헤드 네트워크를 갖춘 이중 네트워크 아키텍처인 CL-SLAM을 제안한다.
• 도메인 불변 특징와 도메인 특화 특징을 분리하기 위해 이중 스트림 특징 인코더를 활용하여 일반화 능력을 향상시킨다.
• 지상 진실 데이터가 필요 없이도 네트워크를 훈련시킬 수 있도록 광학적 일致성과 깊이 예측 기반의 자기지도 학습 손실을 사용한다.
• 깊이 및 자세 추정 정확도를 향상시키기 위해 이미지 부드러움 정규화와 속도 감독을 적용한다.
• 지속적 학습 중 치명적인 잊음 현상을 완화하기 위해 과거 데이터 버퍼를 활용한 경험 재생을 통합한다.
• 연속적인 환경 간 성능 평가를 정량적으로 가능하게 하기 위해 적응성 품질 및 지속성 품질 지표를 정의한다.

실험 결과

연구 질문

• RQ1 학습 기반 SLAM 시스템은 새로운, 보지 않은 환경에 적응하면서도 이전에 학습한 지식을 잊지 않고 효과적으로 유지할 수 있는가?
• RQ2 CL-SLAM의 성능은 다수의 환경에서 적응성과 지속성 측면에서 전통적 및 학습 기반 SLAM 베이스라인과 비교해 어떻게 되는가?
• RQ3 경험 재생과 함께 온라인 적응을 통해 오픈월드 로봇 주행에서 일반화 능력이 얼마나 향상되는가?
• RQ4 이중 네트워크 아키텍처는 지속적 SLAM에서 표준 단일 헤드 모델보다 더 나은 도메인 일반화를 가능하게 하는가?
• RQ5 데이터셋 내 구조적 차이가 역방향 전이와 모델 성능에 얼마나 영향을 미치는가?

주요 결과

• k1 환경에 k1과 r1에서의 배포 후 CL-SLAM은 번역 오차 2.50%와 회전 오차 0.37°/100m를 기록하여 뛰어난 적응성 품질을 입증한다.
• r1 환경에서 k1에 이전에 배포한 후 CL-SLAM은 번역 오차 28.94%와 회전 오차 5.63°/100m를 기록하여 새로운 도메인에 효과적으로 적응함을 보여준다.
• k1, r1, k2에 연속적으로 배포한 후 CL-SLAM은 k2에서 번역 오차 4.85%와 회전 오차 1.59°/100m를 유지하여 강력한 지속성 품질을 입증한다.
• 오프라인 재훈련과 경험 재생 버퍼를 사용하는 Boffline 베이스라인은 성능이 일관되지 않으며, k1에 배포한 후 r1에서 오차가 더 높게 나타나, 온라인 적응 없이선 역방향 전이에 한계가 있음을 시사한다.
• 세 가지 서로 다른 데이터셋에서 CL-SLAM은 모든 베이스라인보다 적응성과 지속성 지표에서 뛰어난 성능을 보이며, 지속적 학습을 위한 SLAM에서의 우수성을 확인한다.
• 궤적의 시각화 결과 CL-SLAM이 베이스라인보다 더 정확하고 일관된 지ap을 생성함을 확인했으며, 특히 다수의 환경 전환 후에도 뛰어난 성능을 유지한다.