Clutter Resilient Occlusion Avoidance for Tightly-Coupled Motion-Assisted Detection

要約

オクルージョンは、検出失敗につながる重要な要因です。
この論文では、ロボットがオクルージョンを軽減した新しい視点でターゲットを観察できるように、実行可能な経路をアクティブに計画する動作支援検出 (MAD) 方法を提案します。
乱雑な環境では失敗する可能性がある既存の MAD アプローチとは対照的に、提案されたフレームワークはそのようなシナリオでは堅牢であるため、クラッター回復力オクルージョン回避 (CROA) と呼ばれます。
CROA の核心は、凸面-凹面手順と双対性ベースのバイレベル最適化を介して、多面体ベースの衝突回避制約の下でオクルージョン確率を最小限に抑えることです。
システム実装は、学習ベースの検出と最適化ベースの計画の実行を組み合わせた LIDAR ベースの MAD をサポートします。
実験では、複数車線の都市部の運転シナリオにおいて、点密度、オクルージョン率、検出誤差の点で、CROA がスパース畳み込みニューラル ネットワーク検出器の下でさまざまな MAD スキームよりも優れていることが示されています。

要約(オリジナル)

Occlusion is a key factor leading to detection failures. This paper proposes a motion-assisted detection (MAD) method that actively plans an executable path, for the robot to observe the target at a new viewpoint with potentially reduced occlusion. In contrast to existing MAD approaches that may fail in cluttered environments, the proposed framework is robust in such scenarios, therefore termed clutter resilient occlusion avoidance (CROA). The crux to CROA is to minimize the occlusion probability under polyhedron-based collision avoidance constraints via the convex-concave procedure and duality-based bilevel optimization. The system implementation supports lidar-based MAD with intertwined execution of learning-based detection and optimization-based planning. Experiments show that CROA outperforms various MAD schemes under a sparse convolutional neural network detector, in terms of point density, occlusion ratio, and detection error, in a multi-lane urban driving scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google