[論文レビュー] Multiple Object Detection, Tracking and Long-Term Dynamics Learning in Large 3D Maps

Nils Bore, Patric Jensfelt+1 more|arXiv (Cornell University)|Jan 28, 2018

Robotics and Sensor-Based Localization参考文献 29被引用数 8

ひとこと要約

本論文では、移動型ロボットを用いて大規模3D環境における複数の可動物体の追跡とその長期的ダイナミクスの学習を、確率的枠組みで行う。Rao-Blackwellizedパーティクルフィルタに、物体の生成・消滅を扱うギブスサンプリングを拡張し、教師なしEMベースのパrameter学習を組み合わせることで、システムは物体の位置、個数、運動モデルを自動で推定する。従来の手法と比較して、モデル化バイアスを顕著に低減する。

ABSTRACT

In this work, we present a method for tracking and learning the dynamics of all objects in a large scale robot environment. A mobile robot patrols the environment and visits the different locations one by one. Movable objects are discovered by change detection, and tracked throughout the robot deployment. For tracking, we extend the Rao-Blackwellized particle filter of previous work with birth and death processes, enabling the method to handle an arbitrary number of objects. Target births and associations are sampled using Gibbs sampling. The parameters of the system are then learnt using the Expectation Maximization algorithm in an unsupervised fashion. The system therefore enables learning of the dynamics of one particular environment, and of its objects. The algorithm is evaluated on data collected autonomously by a mobile robot in an office environment during a real-world deployment. We show that the algorithm automatically identifies and tracks the moving objects within 3D maps and infers plausible dynamics models, significantly decreasing the modeling bias of our previous work. The proposed method represents an improvement over previous methods for environment dynamics learning as it allows for learning of fine grained processes.

研究の動機と目的

• 物体が観測されていない間も移動する可能性がある大規模かつ現実世界の屋内環境において、動的物体を追跡・モデリングする課題に取り組む。
• 固定された物体数を仮定する従来の手法に起因する限界を克服し、手動によるパrameterチューニングを不要とし、変動する物体数を扱えるようにする。
• 長期間にわたるロボットの運用から、物体の運動パターンやジャンプ確率といったダイナミクスを教師なしで学習可能にする。
• 過大評価された不確実性に依存するのではなく、現実世界のデータから詳細なダイナミクスを学習することで、モデル化バイアスを低減する。
• 通常の物体配置とその逸脱を理解することで、自律的清掃や物体の再配置タスクを支援するシステムを開発する。

提案手法

• ロボットにRGBDカメラを装備し、環境内の離散的な場所の順次的3Dマップを収集する。
• 局所的3Dマップに対して変化検出を適用し、新規または移動した物体を特定し、物体の存在と位置の事後確率を形成する。
• 任意の数の物体を動的に扱えるように、物体の生成・消滅プロセスを組み込んだRao-Blackwellizedパーティクルフィルタを拡張する。
• 時間ステップに跨る物体の関連付け、生成、消滅を同時に推定するためにギブスサンプリングを用いる。
• 期待値最大化（EM）アルゴリズムを用い、ジャンプ確率 $p_{\text{jump}}$ やプロセスノイズ分散 $\sigma_q^2$ といったシステムパラメータを教師なしで学習する。
• 場所依存のジャンプ確率を持つマルコフ過程を用いて物体ダイナミクスをモデル化し、典型的な運動パターンの推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 移動型ロボットは、事前知識なしに大規模3D環境における複数の可動物体を自動で検出・追跡・ダイナミクスを学習できるか？
• RQ2 ロボットが観測していない間の物体移動を考慮しつつ、未知かつ変動する物体数を扱える追跡システムはどのように実現できるか？
• RQ3 手動でチューニングされたパラメータと比較して、教師なしEMベースの学習が、物体ダイナミクスモデルの精度をどの程度向上できるか？
• RQ4 現実世界のロボット運用から、妥当な運動モデル（例：ジャンプ確率、空間的分散）を推定できるか？
• RQ5 不連続なジャンプと物体の生成・消滅プロセスを組み込むことで、現実の動的環境における追跡性能はどの程度向上するか？

主な発見

• ギブスサンプリングを用いた物体の生成・消滅処理により、複数回のロボット訪問にわたり、変動する物体数を効果的に追跡できた。
• EMアルゴリズムは安定したパラメータ推定に収束し、反復回数を重ねるごとに期待尤度が増加する傾向を示し、効果的な教師なし学習が実現した。
• 従来の過大評価された不確実性に依存する手法と比較して、学習されたダイナミクスモデルは顕著にモデル化バイアスを低減した。
• 実際の物体移動パターンと整合性を持つ、ジャンプ確率 $p_{\text{jump}} = 0.036$ および空間的プロセス分散 $\sigma_q^2 = 0.137$ が推定された。
• 典型的な物体行動（例：オフィスからキッチンへの頻繁な移動）を学習することで、環境表現の質が向上した。
• 時間依存のパラメータスケーリングや強い事前分布がなくても、実世界データに対して収束を示し、フレームワークの頑健性が確認された。