[论文解读] Local Map Descriptor for Compressive Change Retrieval

Tanaka Kanji|arXiv (Cornell University)|Mar 3, 2016

Genomics and Phylogenetic Studies被引用 3

一句话总结

本文提出一种具有压缩词袋（BoW）结构的局部地图描述符（LMD），用于在机器人制图中实现可扩展的压缩变化检测。通过使用视角规划器基于场景解析稳定局部地图原点，该方法实现了对视觉特征外观和空间布局的直接比较，显著提升了传统BoW方法在存在回环闭合挑战的非平稳环境中的自定位和变化检测准确性。

ABSTRACT

Change detection, i.e., anomaly detection from local maps built by a mobile robot at multiple different times, is a challenging problem to solve in practice. Most previous work either cannot be applied to scenarios where the size of the map collection is large, or simply assumed that the robot self-location is globally known. In this paper, we tackle the problem of simultaneous self-localization and change detection, by reformulating the problem as a map retrieval problem, and propose a local map descriptor with a compressed bag-of-words (BoW) structure as a scalable solution. We make the following contributions. (1) To enable a direct comparison of the spatial layout of visual features between different local maps, the origin of the local map coordinate (termed "viewpoint") is planned by scene parsing and determined by our "viewpoint planner" to be invariant against small variations in self-location and changes, aiming at providing similar viewpoints for similar scenes (i.e., the relevant map pair). (2) We extend the BoW model to enable the use of not only the appearance (e.g., polestar) but also the spatial layout (e.g., spatial pyramid) of visual features with respect to the planned viewpoint. The key observation is that the planned viewpoint (i.e., the origin of local map coordinate) acts as a pseudo viewpoint that is usually required by spatial BoW (e.g., SPM) and also by anomaly detection (e.g., NN-d, LOF). (3) Experimental results on a challenging "loop-closing" scenario show that the proposed method outperforms previous BoW methods in self-localization, and furthermore, that the use of both appearance and pose information in change detection produces better results than the use of either information alone.

研究动机与目标

• 解决在机器人自定位全局未知的大规模地图集合中实现可扩展变化检测的挑战。
• 通过将问题重新表述为地图检索任务，实现鲁棒的自定位与变化检测。
• 开发一种局部地图描述符，以捕捉相对于稳定、经场景解析的视角的特征外观与空间布局。
• 通过降低对视角变化和传感器噪声的敏感性，减少变化检测中的误报。
• 证明结合外观与位姿信息在变化检测中优于单独使用任一信息。

提出的方法

• 视角规划器利用场景解析确定每个局部地图的稳定原点（视角），该原点对小范围自定位偏移和环境变化具有不变性。
• 所提出的局部地图描述符（LMD）将词袋模型扩展为基于规划视角的空间金字塔结构，以引入空间布局信息。
• 该方法采用压缩BoW表示，以实现在大规模地图集合中的高效检索。
• 通过使用NN-d（最近邻距离）并设定异常度得分阈值，执行异常检测，以区分真实变化与噪声或视角变化。
• 该方法在基于激光数据的二维点集地图上进行评估，场景解析基于曼哈顿世界语法。
• 自定位通过使用地图级相似性检索最相似的数据库地图实现，随后在排名靠前的地图上执行变化检测。

实验结果

研究问题

• RQ1 基于场景解析的视角规划器是否能够稳定局部地图原点，从而实现不同机器人位姿下视觉特征的直接比较？
• RQ2 在词袋模型中引入空间布局信息是否能提升变化检测性能，相较于仅使用外观的BoW方法？
• RQ3 在自定位未知且存在回环闭合挑战的复杂场景下，所提出的LMD方法在自定位与变化检测中的表现如何？
• RQ4 结合外观与位姿信息是否比单独使用任一信息更有效地检测有意义的环境变化？
• RQ5 当应用于具有动态环境的大规模局部地图集合时，该方法的性能扩展性如何？

主要发现

• 所提出的LMD方法在自定位方面优于标准BoW方法，对视角变化和环境变化表现出更强的鲁棒性。
• 在LMD描述符中同时使用外观与空间布局信息，相比单独使用任一特征类型，显著提升了变化检测效果。
• NN-d异常检测的最优阈值位于1.0至3.0之间，能有效平衡误报与漏检。
• 与静态环境相比，非平稳环境中的性能有所下降，凸显了新物体出现时变化检测的困难。
• 视角规划器成功为相似场景生成一致的视角，实现了无需预对齐的可靠地图比较。
• 在八个描述符中，平均检索数量（ANR）为25.1，由于描述符#1（polestar）性能差异最小，故选择其以简化实现。