Person Re-Identification for Robot Person Following with Online Continual Learning

要約

ロボット人物追従 (RPF) は、ヒューマン ロボット インタラクション (HRI) アプリケーションにおける重要な機能であり、ロボットが指定された人物を継続的に追跡できるようになります。
実際の RPF シナリオでは、人物が他の物体や人物によって遮られることがよくあります。
したがって、ロボットの視野内に人物が再び現れた場合には、その人物を再識別する必要がある。
後続者に対する以前の人物再識別 (ReID) アプローチは、オフラインでトレーニングされた機能と短期間の経験に依存しています。
このようなアプローチは、i) シナリオ全体にわたって一般化できる能力が限られています。
ii) 短期間の経験によって表される学習領域の外に再出現した場合、その人物を再識別できないことがよくあります。
この観察に基づいて、この研究では、長期的な経験を活用した RPF の ReID フレームワークを提案します。
エクスペリエンスは、損失に基づいたキーフレーム選択戦略によって維持され、外観モデルのオンラインでの継続的な学習を可能にします。
私たちの実験では、深刻な外見の変化や、見た目が似ている人からの注意散漫がある場合でも、提案された方法は最先端の方法よりも正確にその人を再識別できることが実証されました。

要約(オリジナル)

Robot person following (RPF) is a crucial capability in human-robot interaction (HRI) applications, allowing a robot to persistently follow a designated person. In practical RPF scenarios, the person often be occluded by other objects or people. Consequently, it is necessary to re-identify the person when he/she re-appears within the robot’s field of view. Previous person re-identification (ReID) approaches to person following rely on offline-trained features and short-term experiences. Such an approach i) has a limited capacity to generalize across scenarios; and ii) often fails to re-identify the person when his re-appearance is out of the learned domain represented by the short-term experiences. Based on this observation, in this work, we propose a ReID framework for RPF that leverages long-term experiences. The experiences are maintained by a loss-guided keyframe selection strategy, to enable online continual learning of the appearance model. Our experiments demonstrate that even in the presence of severe appearance changes and distractions from visually similar people, the proposed method can still re-identify the person more accurately than the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google