[論文レビュー] Robust global localization using clustered particle filtering

Adam B. Milstein, Javier Sánchez+1 more|arXiv (Cornell University)|Jul 28, 2002

Robotics and Sensor-Based Localization参考文献 14被引用数 80

ひとこと要約

この論文では、標準的なモンテカルロ局所化（MCL）がサンプルの貧困化により失敗する、非常に対称的な環境におけるグローバル局所化の改善を目的として、クラスタリングされたパーティクルフィルタリング手法を提案する。パーティクルをクラスタにグループ化し、クラスタの確率質量に基づいて提案分布を調整することで、多様で代表的なサンプルを維持し、従来のMCLが失敗する状況でも頑健な局所化を実現する。

ABSTRACT

Global mobile robot localization is the problem of determining a robot's pose in an environment, using sensor data, when the starting position is unknown. A family of probabilistic algorithms known as Monte Carlo Localization (MCL) is currently among the most popular methods for solving this problem. MCL algorithms represent a robot's belief by a set of weighted samples, which approximate the posterior probability of where the robot is located by using a Bayesian formulation of the localization problem. This article presents an extension to the MCL algorithm, which addresses its problems when localizing in highly symmetrical environments; a situation where MCL is often unable to correctly track equally probable poses for the robot. The problem arises from the fact that sample sets in MCL often become impoverished, when samples are generated according to their posterior likelihood. Our approach incorporates the idea of clusters of samples and modifies the proposal distribution considering the probability mass of those clusters. Experimental results are presented that show that this new extension to the MCL algorithm successfully localizes in symmetric environments where ordinary MCL often fails.

研究の動機と目的

• サンプルの貧困化により標準的なモンテカルロ局所化（MCL）が失敗する、非常に対称的な環境におけるMCLの失敗を解消すること。
• 環境の高い対称性にもかかわらず、代表的なパーティクル集合を維持することで、グローバル局所化の頑健性を向上させること。
• クラスタの確率質量を活用して、パーティクル生成をより効果的に導く提案分布を構築すること。
• 複数の等確率のロボットポーズが存在する状況でも、一貫性があり正確なポーズ推定を保証すること。

提案手法

• 同様のポーズをグループ化するパーティクルのクラスタリングを導入し、パーティクル集合内の冗長性を低減する。
• クラスタの確率質量を、各クラスタ内に属するパーティクルの重みの合計として定義し、信念密度のより良い表現を可能にする。
• 確率質量が大きいクラスタを優遇するように提案分布を変更し、サンプル効率を向上させる。
• 個々のパーティクルの尤度ではなく、クラスタの尤度に基づいてパーティクルを再サンプリングすることで、多様性を強化し、貧困化を軽減する。
• 固定された数のクラスタを維持し、局所化プロセス中に動的に更新する。
• クラスタベースの重み付けを標準的なMCLフレームワークに統合し、ベイズ推論の原則を保持する。

実験結果

リサーチクエスチョン

• RQ1 パーティクル集合のクラスタリングは、対称的環境におけるモンテカルロ局所化の頑健性を向上させることができるか？
• RQ2 クラスタベースの提案分布は、サンプルの多様性と局所化精度にどのように影響を与えるか？
• RQ3 標準的なMCLと比較して、この手法はどの程度サンプルの貧困化を低減するか？
• RQ4 この手法は、対称的なレイアウトにおいて複数の等確率のロボットポーズを信頼性高く追跡できるか？

主な発見

• 提案手法は、標準的なMCLがサンプルの貧困化により失敗する非常に対称的な環境でも、ロボットの局所化に成功している。
• クラスタの確率質量を用いることで、局所化プロセス全体を通して多様で代表的なパーティクル集合を維持している。
• クラスタベースの提案分布は、対称的状況における収束性と安定性を顕著に向上させている。
• 実験結果から、複数のポーズが等確率である場合でも、この手法が正確な局所化を達成していることが示された。