[论文解读] Fisher Information Field: an Efficient and Differentiable Map for Perception-aware Planning

Zichao Zhang, Davide Scaramuzza|arXiv (Cornell University)|Aug 7, 2020

Robotics and Sensor-Based Localization参考文献 65被引用 27

一句话总结

该论文提出了一种新型体素化地图表示方法——费雪信息场（Fisher Information Field, FIF），通过预计算从3D路标获得的旋转不变费雪信息，实现对任意6-DoF机器人位姿的定位精度的常数时间评估。该方法支持高效、可微分的感知感知运动规划，在轨迹优化中实现最高10倍的加速，且定位精度优于直接点云计算。

ABSTRACT

Considering visual localization accuracy at the planning time gives preference to robot motion that can be better localized and thus has the potential of improving vision-based navigation, especially in visually degraded environments. To integrate the knowledge about localization accuracy in motion planning algorithms, a central task is to quantify the amount of information that an image taken at a 6 degree-of-freedom pose brings for localization, which is often represented by the Fisher information. However, computing the Fisher information from a set of sparse landmarks (i.e., a point cloud), which is the most common map for visual localization, is inefficient. This approach scales linearly with the number of landmarks in the environment and does not allow the reuse of the computed Fisher information. To overcome these drawbacks, we propose the first dedicated map representation for evaluating the Fisher information of 6 degree-of-freedom visual localization for perception-aware motion planning. By formulating the Fisher information and sensor visibility carefully, we are able to separate the rotational invariant component from the Fisher information and store it in a voxel grid, namely the Fisher information field. This step only needs to be performed once for a known environment. The Fisher information for arbitrary poses can then be computed from the field in constant time, eliminating the need of costly iterating all the 3D landmarks at the planning time. Experimental results show that the proposed Fisher information field can be applied to different motion planning algorithms and is at least one order-of-magnitude faster than using the point cloud directly. Moreover,the proposed map representation is differentiable, resulting in better performance than the point cloud when used in trajectory optimization algorithms.

研究动机与目标

• 为解决在运动规划过程中从点云计算费雪信息效率低下的问题，该方法的计算复杂度随路标数量线性增长。
• 实现对6-DoF位姿的定位质量进行可微分评估，以提升轨迹优化中的性能表现。
• 在体素网格中预计算并存储旋转不变的费雪信息，以实现快速、可重用的规划。
• 通过量化机器人位姿在视觉退化环境中的可定位性，支持主动视觉定位。
• 设计一种专用的地图表示，将旋转依赖性与位置信息解耦，以实现高效规划。

提出的方法

• 费雪信息场（FIF）将环境表示为体素网格，其中每个体素存储来自所有3D路标的旋转无关的费雪信息分量。
• 该方法将旋转依赖性与位置信息分离，使得核心费雪信息可预先计算并存储于体素网格中。
• 对于任意6-DoF位姿，通过结合体素网格中插值的位置信息与依赖于方向的可见性模型，可在常数时间内重构完整的费雪信息矩阵（FIM）。
• 可见性模型通过多项式或高斯过程（GP）回归进行近似，以估计从特定视角是否能观测到路标。
• 在规划阶段，通过插值与回归高效计算费雪信息矩阵（FIM），避免对所有3D路标进行迭代。
• 由于可见性近似具有平滑性，该地图具有可微性，从而在基于优化的规划器中实现更优性能。

实验结果

研究问题

• RQ1 预计算的、可微分的地图表示能否实现在6-DoF视觉定位中对费雪信息的常数时间评估？
• RQ2 在运动规划中，FIF与直接点云计算相比，在效率和精度方面表现如何？
• RQ3 FIF能否在感知感知规划中提升定位成功率与精度，特别是在视觉退化环境中？
• RQ4 哪种可见性近似方法（如多项式、GP）能在精度、效率与可微性之间取得最佳平衡？
• RQ5 FIF能否在探索过程中通过视觉-惯性里程计实现增量式更新？

主要发现

• 与直接使用点云相比，FIF在规划中实现了至少一个数量级的加速，轨迹优化中最高可达10倍加速。
• 基于FIF的地图表示具有可微性，在轨迹优化算法中实现了优于点云的定位精度。
• 使用50–70个样本的GP近似并结合FIM行列式，在规划成功率与效率方面取得了最佳综合性能。
• 二次多项式近似在效率方面表现突出，当以FIM迹为指标时，其速度约为GP的10倍，且性能损失极小。
• 由于强制采用可见性模型形式，预计算步骤可行，使得该方法可在同一环境中多次规划会话中重复使用。
• 该方法可高效集成至采样型规划器（如RRT*）与基于优化的规划器中，提升定位成功率与精度。