[论文解读] Simultaneous View and Feature Selection for Collaborative Multi-Robot Perception

Brian Reily, Hao Zhang|arXiv (Cornell University)|Dec 17, 2020

Robotics and Sensor-Based Localization被引用 4

一句话总结

该论文提出了一种统一的正则化优化框架，可在协作多机器人感知中同时实现视图和特征选择，利用诱导稀疏性的范数识别最具代表性的机器人和判别性传感器模态。该方法通过一种新颖且收敛的迭代求解器实现精确的目标识别和高效的机器人任务分配，在仿真和物理机器人系统中均得到验证。

ABSTRACT

Collaborative multi-robot perception provides multiple views of an environment, offering varying perspectives to collaboratively understand the environment even when individual robots have poor points of view or when occlusions are caused by obstacles. These multiple observations must be intelligently fused for accurate recognition, and relevant observations need to be selected in order to allow unnecessary robots to continue on to observe other targets. This research problem has not been well studied in the literature yet. In this paper, we propose a novel approach to collaborative multi-robot perception that simultaneously integrates view selection, feature selection, and object recognition into a unified regularized optimization formulation, which uses sparsity-inducing norms to identify the robots with the most representative views and the modalities with the most discriminative features. As our optimization formulation is hard to solve due to the introduced non-smooth norms, we implement a new iterative optimization algorithm, which is guaranteed to converge to the optimal solution. We evaluate our approach through a case-study in simulation and on a physical multi-robot system. Experimental results demonstrate that our approach enables effective collaborative perception through accurate object recognition and effective view and feature selection.

研究动机与目标

• 为解决协作多机器人感知中视图选择与特征选择被独立处理而非联合处理的差距。
• 开发一种统一的优化公式，将多视图目标识别、视图选择和特征选择整合到单一框架中。
• 通过识别提供最具信息量视图的机器人和最具判别性的传感器模态，实现智能机器人协同。
• 设计一种收敛的迭代算法，以求解由结构化稀疏性正则化引起的非光滑、非凸优化问题。
• 在高保真仿真和真实世界多机器人实验中验证该方法的鲁棒性与准确性。

提出的方法

• 该方法将协作感知建模为带有结构化稀疏性诱导范数的正则化优化问题，以促进关键机器人和特征的选择。
• 对机器人权重使用l1-范数，对特征模态使用混合范数（类似组套索）以诱导稀疏性，并选择具有代表性的视图和模态。
• 优化过程结合数据保真度（重建误差）与正则化项，以在视图和特征选择中平衡精度与稀疏性。
• 提出一种新颖的迭代算法，通过依次最小化一个代理目标函数，理论上证明其收敛至最优解。
• 该算法通过从正则化项中推导出的近端算子，交替更新机器人权重和特征模态。
• 该方法采用块坐标下降方法实现，确保每次迭代中目标函数单调递减。

实验结果

研究问题

• RQ1 统一的优化框架能否同时选择最具信息量的机器人视图和最具判别性的传感器特征，以实现协作目标识别？
• RQ2 通过正则化实现的结构化稀疏性如何在减少对冗余或遮挡观测依赖的同时提升识别精度？
• RQ3 在多机器人系统中，联合视图与特征选择对机器人任务分配和系统效率有何影响？
• RQ4 能否为该场景下的非光滑、非凸优化设计一种具有理论收敛保证的新颖迭代求解器？
• RQ5 与独立的视图和特征选择相比，所提方法在识别性能和计算效率方面表现如何？

主要发现

• 所提方法通过仅选择最具信息量的机器人视图和最具判别性的传感器模态，实现了高目标识别准确率。
• 迭代求解器被理论证明收敛至最优解，且每次迭代中目标函数单调递减。
• 仿真实验结果表明，该方法在提升识别准确率的同时减少了活跃机器人的数量，优于基线方法。
• 在物理多机器人系统中，该框架成功识别出关键机器人和模态，即使在存在遮挡的情况下也能实现有效感知。
• 使用结构化稀疏性诱导范数显著提升了选择性能，减少了对冗余或低质量观测的依赖。
• 该方法支持动态机器人重分配，使代表性视图较弱的机器人可被重新分配至观察新目标。