Upload
ohasegawa-lab-tokyo-tech
View
4.725
Download
3
Embed Size (px)
Citation preview
A Fast Online Incremental Loop-Closure Detection for Appearance-based SLAM
in Dynamic Crowded Environment
Noppharit Tongprasit, Aram Kawewong, Osamu Hasegawa
東京工業大学
研究背景
2
近年,「日常生活環境」ロボットの需要が高まっている
理研 : RIBA (2009) セコム : (2005)
これらのロボットは,常に変化する(動的な)実環境下で自律的に行動する必要がある
富士重・ツムラ (2008)
マップ ロボットの環境に対する認識 事前に与えられることは稀 ロボット自身が作る必要がある
警備 搬送 介護
本日の内容
PIRF IEICE
PIRF-NAV1 IJRR
PIRF-NAV2
3
4
• 従来手法(FAB-MAP : Oxford大)の問題点
–環境が大きく変化しないことを仮定
–辞書はバッチ学習で作成し更新できない
–辞書の作成には別途膨大な学習用画像が必要
5
従来法の問題点
同じ場所だが、トラックが 停まっていることで、画像 の見え方が変わり、異なる 場所と認識してしまう。
異なる場所だが、見え方が極めて似ており、同じ場所と認識してしまう。
• 環境の大きな変化への対応 – 独自の画像特徴“Position-Invariant Robust Features(PIRF)”を利用
– PRIF:移動カメラの動画像から安定した点を探索し特徴化
• 辞書は完全にオンラインで作成し更新可能 – 事前に膨大な学習用画像を集めて長時間学習させ、辞書を作る必要が無い
– 辞書はその場で与えられたデータのみから作り、更新可能
– 重複する特徴を除外し、必要最低限の特徴のみ辞書に記録
– 上記の結果、メモリ効率が向上し処理の高速化も実現
6
提案手法のポイント
• 地図上での各地点の表現に工夫
– PIRF特徴が少ない(画像の識別の手掛かりが少ない)場合
–類似する画像が存在する(識別が困難な)場合
–上記のような場合は、その画像に連続する前後の画像も援用し、自動的にPIRF特徴を増やして画像を表現する。
7
例えば、左図のような異なる場所で見え方が極めて類似する場合、この画像に連続する前後の画像も用い、手掛かりを増やして識別する。
PIRF とは?
Original Descriptors (SIFT)
Selective Descriptors (PIRF) 8
PIRF: algorithm
9
Current image
過去の画像を参照し、 共通するSIFT特徴を 抽出して、その位置の 特徴表現とする。
10
類似手法との性能比較(PIRF)
0.00%10.00%20.00%30.00%40.00%50.00%60.00%70.00%80.00%90.00%
100.00%
24.5
4%
31.0
8%
22.2
9%
18.2
3%
93.4
6%
27.5
9%
45.7
5%
36.7
1%
30.2
2%
77.4
8%
Recognition Rate of Suzukakedai and O-okayama
Suzu
kake
dai
O-O
kaya
ma
11
Even With These Strong Changes, PIRF Still Works Well !!!
Highly Dynamic Changes in Scenes
Illumination Changes in Scenes
PIRF-NAV1
我々の過去の提案手法 PIRFを用いた VISUAL SLAM の初期のもの
A.KAWEWONG, ET AL,:
"ONLINE INCREMENTAL APPEARANCE-BASED SLAM IN HIGHLY DYNAMIC ENVIRONMENTS",
INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH (IJRR)
12
PIRF-NAV1(Kawewong, A. et al.,IJRR)
• Visual SLAM based on PIRF’s concept
• Characteristics
– Online
– Robust to dynamic scene
– SIFT (128 dimensions) based system
13
PIRF-NAV1: Algorithm
Algorithm Data structure
14
Image features
• City Centre
15
Results & Experiments: DATASETS
• New College
16
Results & Experiments: DATASETS
17
Result 1: City Centre Vehicle Trajectory Loop Closure Detection
PIRF-Nav (100% Precision) (proposed) FAB-MAP (100% Precision)
18
Result 2: New College Vehicle Trajectory Loop Closure Detection
PIRF-Nav (100% Precision) (proposed) FAB-MAP (100% Precision)
PIRF-NAV1: City Center Result Precision-Recall
19
PIRF-NAV1: City Center Result(Cont.)
Computation time Full scale result
Method PIRF-NAV 1
Recall 84%
Precision 100%
Total time (sec) 12057.4
Aver. time (ms) 9746
Total words 64618
Memory (MB) 33.4 MB
20
Unable to process in real time
PIRF-NAV2
今回の提案手法
PIRF-NAV1 の処理速度と 情報処理効率を大幅に改善
21
PIRF-NAV2 (Tongprasit, N. et al., MIRU’10)
• Improved version of PIRF-NAV 1
• Characteristics
–Online
–Robust to dynamic environment
–Real time process
–SURF (64 dimensions) based system
22
PIRF-NAV2: Algorithm (Cont.)
23
Image features
PIRF-NAV2: Modified PIRF
24
Shrink back if number of features is too few
PIRF-NAV2: City Center Result
Aerial image Precision-Recall
25
PIRF-NAV2: City Center Result(Cont.) PIRF-NAV1との比較
Method PIRF-NAV 2
Recall 80% (-4%)
Precision 100%
Total time (sec) 1086.4 (12倍高速化)
Aver. time (ms) 878.2 (12倍高速化)
Total words 24410 (約66%削減)
Memory (MB) 10.9 (約66%削減) 26
混雑した環境での実験
• 本研究でPIRF-NAV1が高速化し、実用レベルで利用可能になったので試みた。
• 場所:食堂(東工大学食)
• 時刻:昼間(12時頃)
–あえて、食堂が混み合う時間帯に撮影
• 約6分間の動画(692枚の画像)
• 画像サイズ:480 x 270(全方位カメラ画像)
27
28
• 認識率:86.65%(FAB-MAP:17.80%)
• 平均処理時間:264ms / 枚, Matlab(同:577ms/枚)
29
全方位カメラの画像のため,同位置の画像でも 撮影時のカメラの向きによって見え方が異なります
混雑した環境での実験
入力(テスト)画像 同位置と推定された学習画像
食堂での実験結果
30
提案手法
食堂での実験結果
31
[4] A. Angeli, D. Filliat, S. Doncieux, and J. A. Meyer, “Fast and Incremental Method
for Loop-Closure Detection Using Bags of Visual Words,” IEEE Trans. Robotics, 2008,
24(5), pp. 1027–1037 (オンラインVisual SLAMだが性能面でかなり劣る。)
まとめに代えて(予告)
• PIRF-NAV2 の移動ロボットへの実装もほぼ完了。
• 混雑した学食で、全方位カメラ1本のみで、ロボットがオンライン・リアルタイムに地図の作成と自己位置同定(SLAM)を行う。
• ロボットは、「レジから下膳口へ」といった言語による指示により経路探索し、移動可能(ナビゲーションも実現)。
• 日本ロボット学会学術講演会(9月、名工大)にて発表予定。
32