Recomendados
Mais conteúdo relacionado
Semelhante a itss_nagoya_chapter_2019_second_akai
Semelhante a itss_nagoya_chapter_2019_second_akai (20)
itss_nagoya_chapter_2019_second_akai
- 1. IEEE/RSJ IROS2019参加報告 名古屋大学大学院情報学研究科 特任助教 赤井直紀 IEEE/ITS 名古屋チャプタ講演会 2019年12月23日 名古屋大学 The Robotics Society of Japan 日本ロボット学会
- 2. 自己紹介 ⚫ 経歴 • 2016年宇都宮大学博士後期課程修了．博士（工学） • 2016年から名古屋大学特任助教 ⚫ 主な研究 • ロボット・自動車などの自動走行とLiDARを用いた自己位置推定 つくばチャレンジでの自動走行 自己位置推定の自動失敗検知
- 3. 今日お話すること ⚫ IROS2019の情報，面白いと思った研究，および私が発表した研究 • IROS2019に関する情報 • 私が聴講して面白いと思った研究（聴講してない研究の方が多い） • ミスマッチ認識に基づく自己位置推定失敗の検出（私の研究）
- 5. IROS2019 ⚫ 会場は「マカオ」 • 会場は「イルミネーション」を際立たせたとにかく煌びやかな空間 • 会場のホテル内には「カジノ」が設置されている • 会場が広すぎて「迷子（目的地に辿り着けない）」参加者が続出 ⚫ IROSに関する「数字」 • Google ScholarのRobotics部門で5位（国際会議としては2位） • 採択率は約44.4%（1108/2494），参加者は約3,500人 • 論文「投稿数・採択数」1位 アメリカ，2位 中国，3位 日本 （但しアメリカ以外のリジェクト率は高い）
- 6. IROS2019で面白いと思った研究 M. Morik et al., “State Representation Learning with Robotic Priors for Partically Observable Environments,” In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 6693-6699, 2019.
- 7. ロボット的事前知識を活用した状態表現学習 ⚫ 高次元のデータから「本当に重要な」低次元のデータを獲得する • センサデータは一般には高次元 • しかし，目的達成（例えば位置推定）のために不要なデータも多い • 「本質的に」重要な低次元データを深層学習を用いて獲得する 小さな画像データでも 数千から数万次元となる 迷路を走行したデータに対して 状態表現学習を適用する
- 8. ロボット的事前知識を活用した状態表現学習 ⚫ Recurrent State Representation Learning（RSPL）を利用 • センサ観測（画像），行動を入力して教師無し学習を行う • ただしロス関数を設計するにあたり，ロボット的な事前知識を活用 • 学習により獲得した変数が「こうあるべき」といった制約 （時間的一貫性LTemp，変化Lvar，比例性LProp，参照点LRef）
- 9. ロボット的事前知識を活用した状態表現学習 ⚫ 迷路を走行した軌跡を基に学習した低次元データをPCAで可視化 • 迷路では同様のセンサ観測が得られるが，低次元空間で分離される • 論文中では評価用に再構成も行っている（右） • 低次元データを用いた強化学習も行っておりマルコフ性も確認 迷路のデータ PCAで可視化した低次元データ 再構成結果
- 10. IROS2019で私が発表した研究 N. Akai et al., “Misalignment recognition using Markov random fields with fully connected latent variables for detecting localization failures,” IEEE Robotics and Automation Letters, vol. 4, no. 4, pp. 3955-3962, 2019 (with IROS 2019 option).
- 11. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 自己位置推定においてミスマッチを認識することは難しい • 自己位置推定を行うために，観測をモデル化する必要がある • 観測モデルを構築するにあたり，「観測の独立性」を仮定する • つまり，各センサ観測は「互いに無関係」と仮定している 時刻tでのセンサ観測値の集合 （3D LiDARで計測する点群） 時刻tでの1つのセンサ観測値 （3D LiDARで計測した1点） xtは時刻tでの位置 mは位置推定用の地図 「観測の独立性」を仮定すると，掛け算の形に分解できる
- 12. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 「観測の独立性」の仮定は正しいのか？ • 環境が「動的」であると，独立性の仮定は正しくならない • しかし，掛け算の形に分解しないとそもそもモデル化ができない k個目の観測のモデル化 L次元でモデル化可能 計測可能な距離をL当分してモデル化 K個の観測値を含むと LK次元でのモデル化 次元が高すぎて不可能！
- 13. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 実用的には「観測の独立性」を仮定せざるおえない • 仮定しない場合には，そもそも実時間で解ける問題とならない • そのため，「観測全体の関係性が無視」されてしまう • 人間の様に「俯瞰してミスマッチ認識」を行うことができない 俯瞰して見ればミスマッチと分かる 実際にはこの空間でミスマッチを判断する
- 14. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 「観測全体の関係性」を考慮できる枠組みを別に導入する • 「隠れ変数全結合型のマルコフ確率場」を導入する • 各観測の「残差（障害物とスキャンの距離）」を可観測変数とする • 「隠れ変数」は「ミスマッチかどうか」を表す変数とする 全結合した隠れ層を経由するこ とで全体の関係性を考慮する 残差（可観測変数）
- 15. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 「観測全体の関係性」を考慮するとはどういうことか？ • ミスマッチの情報を他の観測値にも「伝播」させることができる • 部分的に地図と「マッチ」しているような観測も，一部が「ミス マッチ」していれば全体がミスマッチしていると認識できる マッチしている部分もあれば， ミスマッチしている部分もある 「独立性」を仮定している方法では， 絶対に認識できない方法を確立する！
- 16. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 残差ベクトルeが与えられた下での隠れ変数に関する事後確率を求める • 「ループ有り確率伝播」という方法で解く • なお計算効率はあまり良くなく，並列計算も（ほぼ）不可能… • ミスマッチ認識の結果から自己位置推定失敗の確率も計算する 無向矢印上を確率情報が行き交う 「ループ有り確率伝播」による最適化
- 19. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 実環境での実験 • 実環境以外でも機能します（査読で一番指摘された所） Hokuyo 2D LiDAR (UTM-30LX) https://www.youtube.com/wa tch?v=-beAMnNcgTk&t=78s
- 21. ミスマッチ認識による自己位置推定失敗の検出 ⚫ 深層学習による自己位置推定失敗検知も含めた比較 • 深層学習とほぼ同等に（もしくは勝る）推定失敗を認識 • 計5つの環境で実験を行い，深層学習に（少しだけ）勝利！
- 22. まとめ ⚫ IEEE/RSJ IROS2019に関するお話をしました • IROSの情報 ➢ 採択率は約44%，参加者は約3,500人 • 聴講した中で面白いと思った研究 ➢ Recurrent State Representation Learningを用いた状態表現学習 • マルコフ確率場を活用した自己位置推定失敗の検出（私の研究） ➢ 「隠れ層全結合型」というところがポイント