[论文解读] Object-based World Modeling in Semi-Static Environments with Dependent Dirichlet-Process Mixtures

Lawson L. S. Wong, Thanard Kurutach+2 more|arXiv (Cornell University)|Dec 2, 2015

Bayesian Methods and Mixture Models参考文献 16被引用 3

一句话总结

该论文提出了一种依赖狄利克雷过程混合模型（DDPMM），用于半静态环境中基于物体的世界建模，其中物体在观测之间大部分时间保持静止。通过在静态聚类中引入时间依赖性，并利用DDPMM推导出满足数据关联约束的MAP推理算法，该方法在保持高精度物体跟踪与属性估计的同时，相比传统多目标跟踪方法显著提升了计算效率，尤其在存在噪声和部分观测的情况下。

ABSTRACT

To accomplish tasks in human-centric indoor environments, robots need to represent and understand the world in terms of objects and their attributes. We refer to this attribute-based representation as a world model, and consider how to acquire it via noisy perception and maintain it over time, as objects are added, changed, and removed in the world. Previous work has framed this as multiple-target tracking problem, where objects are potentially in motion at all times. Although this approach is general, it is computationally expensive. We argue that such generality is not needed in typical world modeling tasks, where objects only change state occasionally. More efficient approaches are enabled by restricting ourselves to such semi-static environments. We consider a previously-proposed clustering-based world modeling approach that assumed static environments, and extend it to semi-static domains by applying a dependent Dirichlet-process (DDP) mixture model. We derive a novel MAP inference algorithm under this model, subject to data association constraints. We demonstrate our approach improves computational performance in semi-static environments.

研究动机与目标

• 为解决在物体变化不频繁的人机交互室内环境中，维持准确且基于属性的世界模型的挑战。
• 通过利用半静态动力学特性（即物体在观测周期之间保持静止）而非假设完全动态运动，降低计算成本。
• 通过在时间上建模物体属性之间的时序依赖性，将基于静态聚类的世界建模方法扩展至动态半静态领域。
• 在DDPMM框架下开发一种新型MAP推理算法，尊重数据关联约束，并能处理缺失或噪声观测。
• 在半静态环境中，展示该方法相比传统多目标跟踪方法在计算性能上的显著提升。

提出的方法

• 该方法采用依赖狄利克雷过程混合模型（DDPMM）来建模跨时间的物体检测聚类之间的时序依赖性，从而支持物体持续存在与属性演化。
• 采用退化吉布斯采样推理方案，其预测似然基于卡尔曼滤波动力学用于姿态预测，观测似然则基于状态空间模型。
• 对观测分配建模三种情形：(1) 已存在并已实例化的聚类，(2) 已存在但未实例化的聚类（未来预测），(3) 使用非信息性基分布的新聚类。
• 未来姿态的预测分布通过广义转移模型推导，将最后一次观测状态向前传播并加入过程噪声，表示为 $\mathcal{N}(\mu^{k\tau}, \Sigma^{k\tau} + (t-\tau)R(a^k))$。
• 对于新聚类，采用世界体积上的均匀先验以避免后验评估不适当，用适当的均匀分布替代不适当的正态先验。
• 观测似然对潜在参数（属性 $a^k$ 和姿态 $x^{kt}$）进行积分，结合类别分布似然用于属性，高斯似然用于空间姿态。

实验结果

研究问题

• RQ1 贝叶斯非参数模型能否在不假设完全动态运动的前提下，有效建模半静态环境中物体的持续存在与属性变化？
• RQ2 如何在时间上对物体聚类之间的时序依赖性进行建模，以改善数据关联并降低计算成本？
• RQ3 何种推理策略可在存在噪声和部分观测、且物体数量未知的情况下，实现高效且可扩展的世界建模？
• RQ4 在半静态领域中，所提出的基于DDPMM的方法与传统多目标跟踪方法相比，在准确性和计算效率方面表现如何？
• RQ5 该模型能否在保持物体身份一致性追踪的同时，处理物体的诞生、消亡及属性变化？

主要发现

• 所提出的基于DDPMM的世界建模方法在半静态环境中相比传统多目标跟踪方法实现了显著的计算效率提升。
• 该方法成功通过一个具有时序依赖性的贝叶斯非参数框架，建模了物体持续存在、属性变化以及物体的出现与消失。
• 采用退化吉布斯采样与预测似然的结合，即使在高噪声和遮挡条件下也能实现鲁棒的数据关联，如方程37–41中的似然表达式所示。
• 对新聚类采用世界体积上的均匀先验，避免了不适当的后验评估，实现了无需使用不适当密度的稳定推理。
• 相比静态聚类方法，该模型通过引入时序动态，实现了对物体属性与姿态的准确长期跟踪。
• 带有数据关联约束的MAP推理算法有效平衡了模型复杂度与准确性，尤其在存在虚警与漏检的场景中表现优异。