O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

PIRF-NAV2

8.970 visualizações

Publicada em

Publicada em: Tecnologia
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

PIRF-NAV2

  1. 1. 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
  2. 2. 研究背景近年,「日常生活環境」ロボットの需要が高まっている 警備 搬送 介護 セコム : (2005) 富士重・ツムラ (2008) 理研 : RIBA (2009) 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 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 2
  3. 3. 本日の内容PIRF IEICE PIRF-NAV1 IJRR PIRF-NAV2 3
  4. 4. 4
  5. 5. 従来法の問題点• 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 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。 5
  6. 6. 提案手法のポイント• 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
  7. 7. • 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。 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。 7
  8. 8. PIRF とは?Original Descriptors (SIFT)Selective Descriptors (PIRF) 8
  9. 9. PIRF: algorithm 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。 9
  10. 10. 類似手法との性能比較(PIRF) Recognition Rate of Suzukakedai and O-okayama 93.46% 77.48%100.00% 90.00% 80.00% 45.75% 70.00% 36.71% 30.22% Suzukakedai 31.08% O-Okayama 27.59% 60.00% 24.54% 22.29% 18.23% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 10
  11. 11. Even With These Strong Changes, PIRF Still Works Well !!! Highly Dynamic Changes in Scenes Illumination Changes in Scenes 11
  12. 12. 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
  13. 13. 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
  14. 14. PIRF-NAV1: AlgorithmAlgorithm Data structure Image features 14
  15. 15. Results & Experiments: DATASETS• City Centre 15
  16. 16. Results & Experiments: DATASETS• New College 16
  17. 17. Result 1: City Centre Vehicle Trajectory Loop Closure DetectionPIRF-Nav (100% Precision) (proposed) FAB-MAP (100% Precision) 17
  18. 18. Result 2: New College Vehicle Trajectory Loop Closure DetectionPIRF-Nav (100% Precision) (proposed) FAB-MAP (100% Precision) 18
  19. 19. PIRF-NAV1: City Center Result Precision-Recall 19
  20. 20. 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 Unable to process in real time 20
  21. 21. 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
  22. 22. 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
  23. 23. PIRF-NAV2: Algorithm (Cont.)Image features 23
  24. 24. PIRF-NAV2: Modified PIRF Shrink back if number of features is too few 24
  25. 25. PIRF-NAV2: City Center Result Precision-RecallAerial image 25
  26. 26. 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
  27. 27. 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. 28. 28
  29. 29. 混雑した環境での実験• 認識率:86.65%(FAB-MAP:17.80%)• 平均処理時間:264ms / 枚, Matlab(同:577ms/枚) 入力(テスト)画像 同位置と推定された学習画像 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 29
  30. 30. 食堂での実験結果提案手法 30
  31. 31. 食堂での実験結果[4] A. Angeli, D. Filliat, S. Doncieux, and J. A. Meyer, “Fast and Incremental Methodfor 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。) 31
  32. 32. 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

×