[論文レビュー] Low-cost and Faster Tracking Systems Using Core-sets for Pose-Estimation.

Soliman Nasser, Ibrahim Jubran+1 more|arXiv (Cornell University)|Nov 30, 2015

Robotics and Sensor-Based Localization参考文献 43被引用数 9

ひとこと要約

本稿では、ICPベースのポーズ推定における最適なアライメントを保持する定数サイズの重み付き部分集合（コアセット）にn個のマーカーを削減することで、低コストのトラッキングシステムにおけるポーズ推定を高速化する手法を提案する。カーティエドリの定理を用いて、O(n)時間でコアセットを計算可能であり、コアセットの計算をクラウドにオフロードすることで、20ドルのマルチコプターに搭載されたWebカメラを搭載したリソース制約のあるデバイスでもリアルタイムでのトラッキングが可能になる。

ABSTRACT

How can a \$20 toy quadcopter hover using a weak Internet of Things mini-board and a web-cam? In the pose-estimation problem we need to rotate a set of $n$ marker (points) and choose one of their n! permutations, so that the sum of squared corresponding distances to another ordered set of $n$ markers is minimized. A popular heuristic for this problem is ICP. We prove that \emph{every} set has a weighted subset (core-set) of constant size (independent of $n$), such that computing the optimal orientation of the small core-set would yield \emph{exactly} the same result as using the full set of $n$ markers. A deterministic algorithm for computing this core-set in $O(n)$ time is provided, using the Caratheodory Theorem from computational geometry. We developed a system that enables low-cost and real-time tracking by computing this core-set on the cloud in one thread, and uses the last computed core-set locally in a parallel thread. Our experimental results show how these core-sets can boost the tracking time and quality for large and even small sets of both IR and RGB markers on a toy quadcopter. Open source code for the system and algorithm is provided

研究の動機と目的

• リソース制約のあるIoTデバイス（例：おもちゃのマルチコプターなど）上でリアルタイムで低コストなポーズ推定を可能にすること。
• ICPベースのポーズ推定問題における計算オーバーヘッドを、精度を損なわずにマーカー数を最小限に抑えることで低減すること。
• nに依存しない定数サイズのコアセットを、精度を損なわずに決定的かつ正確に計算するアルゴリズムを開発すること。
• コアセット計算（クラウド）とローカルトラッキング（デバイス）を分離するシステムアーキテクチャを設計し、並列的かつ効率的な運用を可能にすること。

提案手法

• 本手法は、計算幾何学におけるカーティエドリの定理を活用し、nに依存しない定数サイズのコアセットが存在し、ICPにおける最適な回転を保持できることを証明する。
• 決定的O(n)アルゴリズムにより、全セットの最適解を正確に再現するマーカーの重み付き部分集合（コアセット）を計算する。
• 本システムは二スレッドアーキテクチャを採用：一方のスレッドはクラウド上でコアセットを計算し、もう一方のスレッドは最後に計算されたコアセットをローカルで使用してリアルタイムポーズトラッキングを実行する。
• コアセットは定期的にクラウドで更新され、ローカルデバイスに送信されるため、トラッキング精度を維持しながらも、ローカルでの計算負荷を最小限に抑える。
• 本手法は赤外線マーカーおよびRGBマーカーの両方をサポートし、異なるマーカータイプにおいても高いロバスト性を示す。

実験結果

リサーチクエスチョン

• RQ1 任意のn個のマーカーに対して、ICPベースのポーズ推定において全セットと同一の最適回転を達成する定数サイズのコアセットを計算可能か？
• RQ2 カーティエドリの定理のような幾何学的定理を用いて、O(n)時間でそのようなコアセットを計算可能か？
• RQ3 コアセットを用いることで、低コストハードウェア上でリアルタイムシステムにおけるトラッキング速度と精度はどのように向上するか？
• RQ4 コアセットアプローチはクラウドとローカルデバイスの間で効果的に並列化可能か、低レイテンシを維持できるか？

主な発見

• 任意のn個のマーカーの集合に対して、nに依存しない定数サイズのコアセットが存在し、ICPベースのポーズ推定において全セットと同一の最適回転を達成できることをカーティエドリの定理により証明した。
• コアセットは決定的にO(n)時間で計算可能であり、リアルタイムシステムにおける効率的な事前処理を可能にする。
• 精度を損なわずに固定サイズの小さな部分集合へのマーカー処理に削減することで、トラッキング時間に顕著な高速化が達成された。
• 実験結果により、20ドルのマルチコプタープラットフォーム上で赤外線およびRGBマーカーの両方において、コアセット手法を用いることでトラッキング性能が向上したことが示された。
• クラウドとローカルの並列化アーキテクチャにより、コアセット計算をクラウドにオフロードすることで低レイテンシのトラッキングが実現され、デバイス上での高精度を維持した。